比较学习：用于少样本学习的双注意力网络
计算机视觉与模式识别
2022-03-28 v1
摘要
利用少量标注数据进行学习是视觉识别中的一项关键挑战，因为深度神经网络仅使用少量样本时容易过拟合。一种称为度量学习的少样本学习方法通过首先学习一个深度距离度量来判断一对图像是否属于同一类别，然后将训练好的度量应用于其他具有有限标签的测试集中的样本，从而应对这一挑战。该方法充分利用了少量样本并有效限制了过拟合。然而，现有的度量网络通常采用线性分类器或卷积神经网络（CNN），其精度不足以从全局上捕捉向量间的细微差异。在本文中，我们提出一种名为双注意力网络（Bi-attention network）的新方法来比较样本，该方法能够精确、全局且高效地度量样本嵌入之间的相似性。我们在两个基准上验证了模型的有效性。实验表明，与基线模型相比，我们的方法在准确率和收敛速度上均有提升。
引用
@article{arxiv.2203.13487,
title = {Compare learning: bi-attention network for few-shot learning},
author = {Li Ke and Meng Pan and Weigao Wen and Dong Li},
journal= {arXiv preprint arXiv:2203.13487},
year = {2022}
}