用于少样本分类的组合原型网络
计算机视觉与模式识别
2023-06-13 v1
摘要
通常假设预训练为特征提取器提供了强大的类间可迁移性，且通过简单复用可迁移的特征提取器即可实现较高的新类泛化能力。本文的动机在于显式学习一些细粒度且可迁移的元知识，以进一步提升特征的可复用性。具体地，受人类能够利用已学概念或组件来辅助识别新类的启发，我们提出组合原型网络（CPN）为每个由人工标注的属性学习一个可迁移的原型，称之为组件原型。我们通过实验证明，所学得的组件原型具有良好的类间可迁移性，并可被复用以构建新类的组合原型。随后，利用一个可学习的权重生成器自适应融合组合原型与视觉原型。大量实验表明，我们的方法在不同数据集和设置下均能取得最先进的（state-of-the-art, SOTA）结果。在5-way 1-shot设置下性能提升尤为显著。代码可在 https://github.com/fikry102/CPN 获取。
引用
@article{arxiv.2306.06584,
title = {Compositional Prototypical Networks for Few-Shot Classification},
author = {Qiang Lyu and Weiqiang Wang},
journal= {arXiv preprint arXiv:2306.06584},
year = {2023}
}
备注
Accepted by AAAI 2023