基于遗忘-更新模块的少样本分类通道关系预测
机器学习
2020-06-17 v1 计算机视觉与模式识别
机器学习
摘要
在本文中，我们提出了一种利用遗忘-更新模块推断支持集中每个类别与查询样本之间关系的流程。我们首先提出一种称为“通道向量序列构建模块”的新型架构模块，该模块通过收集所有支持样本与待推断查询样本的整体信息，提升了基于序列预测模型的少样本分类方法的性能。该模块生成的通道向量序列的组织方式为：序列的每个时间步包含来自所有支持样本及待推断查询样本对应通道的信息。通道向量序列由卷积神经网络和全连接网络获得，拼接后的通道向量序列按原始通道顺序将支持样本与查询样本的对应通道向量拼接而成。此外，我们提出由堆叠的遗忘-更新块组成的遗忘-更新模块。遗忘块利用学习到的权重修改原始信息，更新块为模型建立稠密连接。所提出的由通道向量序列构建模块与遗忘-更新模块组成的流程，能够在少样本分类场景下推断查询样本与支持样本之间的关系。实验结果表明，该流程在 miniImagenet、CUB 数据集以及跨域场景下均能取得最先进的(state-of-the-art, SOTA)结果。
引用
@article{arxiv.2006.08937,
title = {Channel Relationship Prediction with Forget-Update Module for Few-shot Classification},
author = {Minglei Yuan and Cunhao Cai and Tong Lu},
journal= {arXiv preprint arXiv:2006.08937},
year = {2020}
}