通道重要性在少样本图像分类中至关重要
计算机视觉与模式识别
2022-06-22 v2
摘要
少样本学习(FSL)要求视觉模型在任务分布发生偏移时快速适应全新的分类任务。理解此任务分布偏移所带来的困难是 FSL 的核心。本文中,我们表明简单的通道级特征变换可能是从通道视角揭示此秘密的关键。当面对测试时数据集中的新颖少样本任务时,该变换可极大提升所学图像表示的泛化能力,且对训练算法与数据集的选择不敏感。通过对该变换的深入分析,我们发现 FSL 中表示迁移的困难源于图像表示的严重通道偏置问题:通道在不同任务中可能具有不同重要性,而卷积神经网络可能对此类偏移不敏感或响应错误。这指出了现代视觉系统泛化能力的一个核心问题,未来需进一步关注。我们的代码见 https://github.com/Frankluox/Channel_Importance_FSL。
引用
@article{arxiv.2206.08126,
title = {Channel Importance Matters in Few-Shot Image Classification},
author = {Xu Luo and Jing Xu and Zenglin Xu},
journal= {arXiv preprint arXiv:2206.08126},
year = {2022}
}
备注
Accepted to ICML 2022; code available at https://github.com/Frankluox/Channel_Importance_FSL