用于少样本学习的连续局部替换
计算机视觉与模式识别
2020-03-11 v2 机器学习
图像与视频处理
机器学习
摘要
少样本学习的目标是学习一个能够基于一张或少量训练数据识别新类别的模型。其主要挑战来自两方面：（1）缺乏新类别的良好特征表示；（2）少量标注数据无法准确代表真实数据分布，因此难以学习良好的分类决策函数。在本工作中，我们使用精巧的网络架构学习更好的特征表示，并聚焦于第二个问题。提出了一种新颖的连续局部替换策略以解决数据匮乏问题。它利用无标注图像中的内容持续增强有标注图像。具体而言，采用伪标注方法在训练过程中不断即时筛选语义相似图像。原始标注图像将在下一轮训练中被所选图像局部替换。通过这种方式，模型可直接从无标注图像中学习新语义信息，且嵌入空间中监督信号的容量可显著扩大。这使模型能够改善泛化能力并学习更好的分类决策边界。我们的方法概念简单且易于实现。大量实验表明，它能在各种少样本图像识别基准上取得最先进（SOTA）结果。
引用
@article{arxiv.2001.08366,
title = {Continual Local Replacement for Few-shot Learning},
author = {Canyu Le and Zhonggui Chen and Xihan Wei and Biao Wang and Lei Zhang},
journal= {arXiv preprint arXiv:2001.08366},
year = {2020}
}
备注
Update experiment results and reorganize paper writting