面向少样本学习的协作双路径度量
计算机视觉与模式识别
2020-08-11 v1
摘要
在给定具有充足标注样本的基类条件下，少样本分类的目标是仅利用少量标注样本来识别新类的未标注样本。现有大多数方法仅关注新类中标注样本与未标注样本之间的关系，未能充分利用基类内部的信息。本文针对少样本分类问题做出了两点贡献。首先，我们报告了一个在基类上以传统监督学习方式训练的简洁有效基线，其可取得与当前最优方法相当的结果。其次，在该基线基础上，我们提出了一种用于分类的协作双路径度量，其利用基类与新类之间的相关性来进一步提升准确率。在两个广泛使用的基准上的实验表明，我们的方法是一个简洁有效的框架，并在少样本分类领域确立了新的 SOTA。
引用
@article{arxiv.2008.04031,
title = {Cooperative Bi-path Metric for Few-shot Learning},
author = {Zeyuan Wang and Yifan Zhao and Jia Li and Yonghong Tian},
journal= {arXiv preprint arXiv:2008.04031},
year = {2020}
}
备注
9 pages, 4 figures. Accepted by ACM MultiMedia 2020