刻画正确流形：面向少样本学习的流形混合正则化
机器学习
2020-01-22 v4 计算机视觉与模式识别
机器学习
摘要
少样本学习算法旨在学习能够借助仅少量标注样本即可适应未见类别的模型参数。近期的一种正则化技术——Manifold Mixup 侧重于学习对数据分布微小变化具有鲁棒性的通用表示。由于少样本学习的目标与鲁棒表示学习密切相关，我们在此问题设定下研究 Manifold Mixup。自监督学习是另一种仅利用数据固有结构学习语义有意义特征的技术。本工作借助自监督与正则化技术研究为少样本任务学习相关特征流形的作用。我们观察到，用 Manifold Mixup 正则化通过自监督技术 enriched 的特征流形，可显著提升少样本学习性能。我们表明，所提方法 S2M2 在标准少样本学习数据集（如 CIFAR-FS、CUB、mini-ImageNet 和 tiered-ImageNet）上以 3-8% 的优势超越当前最优精度。通过大量实验，我们展示了用我们方法学习的特征可泛化至复杂少样本评测任务、跨域场景，并对数据分布的轻微变化具有鲁棒性。
引用
@article{arxiv.1907.12087,
title = {Charting the Right Manifold: Manifold Mixup for Few-shot Learning},
author = {Puneet Mangla and Mayank Singh and Abhishek Sinha and Nupur Kumari and Vineeth N Balasubramanian and Balaji Krishnamurthy},
journal= {arXiv preprint arXiv:1907.12087},
year = {2020}
}
备注
WACV 2020, Code: https://github.com/nupurkmr9/S2M2_fewshot