基于图卷积网络的预算感知少样本学习
计算机视觉与模式识别
2022-01-10 v1 机器学习
摘要
本文解决少样本学习问题，旨在从少量样本中学习新的视觉概念。少样本分类中的常见设定假设在获取数据时采用随机采样策略，这在实际应用中效率低下。本工作中，我们引入一个新的预算感知少样本学习问题，其不仅旨在学习新颖物体类别，还需选择信息量大的样本进行标注以实现数据效率。我们为预算感知少样本学习任务开发了元学习策略，该策略基于图卷积网络（GCN）联合学习新的数据选择策略与基于样本的少样本分类器。我们的选择策略通过图消息传递为每个未标注数据计算上下文敏感表示，并用于预测信息量分数以进行序贯选择。我们在 mini-ImageNet、tiered-ImageNet 和 Omniglot 数据集上通过大量实验验证了方法。结果表明我们的少样本学习策略大幅优于基线，证明了方法的有效性。
引用
@article{arxiv.2201.02304,
title = {Budget-aware Few-shot Learning via Graph Convolutional Network},
author = {Shipeng Yan and Songyang Zhang and Xuming He},
journal= {arXiv preprint arXiv:2201.02304},
year = {2022}
}