用于改进少样本分类的双目互学习
计算机视觉与模式识别
2021-08-30 v1
摘要
大多数少样本学习方法致力于从具有丰富标注数据的数据集（即基类集）迁移知识。从基类集的类空间视角看，现有方法或在全局视角下通过常规预训练利用所有类，或更关注以情景式在局部视角下于少数类中训练元任务。然而两种视角的交互鲜有探索。由于两视角捕获互补信息，我们自然想到使其兼容以获取进一步性能增益。受互学习范式与双目视差启发，我们提出统一框架——双目互学习（BML），通过视图内与跨视图建模实现全局视角与局部视角的兼容。具体而言，全局视角在整个类空间学习以捕获丰富类间关系；同时局部视角在各情景的局部类空间学习，聚焦于正确匹配正样本对。此外，跨视图互交互进一步促进协同学习及彼此间有用知识的隐式探索。元测试阶段，双目嵌入被聚合以支持决策，大幅提升分类精度。在包含跨域验证的多个基准上的大量实验证实了方法的有效性。
引用
@article{arxiv.2108.12104,
title = {Binocular Mutual Learning for Improving Few-shot Classification},
author = {Ziqi Zhou and Xi Qiu and Jiangtao Xie and Jianan Wu and Chi Zhang},
journal= {arXiv preprint arXiv:2108.12104},
year = {2021}
}
备注
Accepted by ICCV 2021