补足少样本图像分类中的表征缺失:一种元学习方法
计算机视觉与模式识别
2020-07-23 v1 机器学习
摘要
少样本学习是一个具有挑战性的问题,由于在实际应用中难以获取大量训练样本,近来受到越来越多关注。元学习被提出以应对该问题,其聚焦于在给定有限标注样本时,将预测器作为基学习器快速适配到新任务。然而,元学习的一个关键挑战是表征缺失,因为难以从少量甚至单一样本中发现共性信息,此类少量信息的关键特征表征亦然。结果,元学习器无法在高维参数空间中得到良好训练以泛化至新任务。现有方法多诉诸提取表达力较弱的特征,从而避免表征缺失。为学习更好的表征,我们提出一种具有补足表征网络(MCRNet)的元学习方法用于少样本图像分类。具体而言,我们嵌入一个潜空间,其中潜码由额外表征信息重建以补足表征缺失。此外,该潜空间通过变分推断建立,可与不同基学习器良好协作,并可扩展至其他模型。最后,我们的端到端框架在三个标准少样本学习数据集上的图像分类中取得了最先进的性能。
引用
@article{arxiv.2007.10778,
title = {Complementing Representation Deficiency in Few-shot Image Classification: A Meta-Learning Approach},
author = {Xian Zhong and Cheng Gu and Wenxin Huang and Lin Li and Shuqin Chen and Chia-Wen Lin},
journal= {arXiv preprint arXiv:2007.10778},
year = {2020}
}
备注
25th International Conference on Pattern Recognition (ICPR2020)