通过自适应间隔损失提升少样本学习
计算机视觉与模式识别
2020-05-29 v1 机器学习
机器学习
摘要
少样本学习（FSL）近年来吸引了越来越多的关注，但由于从少量样本中学习泛化能力的内在困难，其仍然具有挑战性。本文提出一种自适应间隔原则，以改进基于度量的元学习方法在少样本学习问题中的泛化能力。具体而言，我们首先开发了一种类相关加性间隔损失，其中考虑每对类之间的语义相似性，以在特征嵌入空间中将相似类的样本分离。进一步，我们将一个采样训练任务中所有类之间的语义上下文纳入考虑，开发了任务相关加性间隔损失，以更好地区分来自不同类的样本。我们的自适应间隔方法可轻易扩展到更现实的广义 FSL 设定。大量实验表明，所提方法在标准 FSL 与广义 FSL 设定下均能提升当前基于度量的元学习方法的性能。
引用
@article{arxiv.2005.13826,
title = {Boosting Few-Shot Learning With Adaptive Margin Loss},
author = {Aoxue Li and Weiran Huang and Xu Lan and Jiashi Feng and Zhenguo Li and Liwei Wang},
journal= {arXiv preprint arXiv:2005.13826},
year = {2020}
}
备注
Accepted by CVPR 2020