少样本图像识别中的数据集偏差
计算机视觉与模式识别
2021-03-17 v3
摘要
少样本图像识别（FSIR）的目标是利用来自训练数据（基类）的可迁移知识，以少量标注样本识别新类别。当前大多数研究假设可迁移知识能够被很好地用于识别新类别。然而，这种可迁移能力可能受到数据集偏差的影响，而该问题此前很少被研究。此外，大多数少样本学习方法对不同数据集存在偏差，这也是一个需要深入探究的重要问题。在本文中，我们首先研究了从基类学习到的可迁移能力的影响。具体而言，我们使用相关性来衡量基类与新类别之间的关系。基类的分布通过实例密度和类别多样性来刻画。FSIR 模型从相关的训练数据中学习到更好的可迁移知识。在相关数据中，密集的实例或多样的类别可以进一步丰富所学到的知识。在 ImagNet 不同子数据集上的实验结果表明，类别相关性、实例密度和类别多样性能够刻画来自基类的可迁移偏差。其次，我们从数据集结构和不同少样本学习方法的角度研究了在不同数据集上的性能差异。具体而言，我们引入图像复杂度、概念内视觉一致性和概念间视觉相似性来量化数据集结构特征。我们利用这些量化特征和四种少样本学习方法来分析在五个不同数据集上的性能差异。基于实验分析，从数据集结构和少样本学习方法两个角度获得了一些有见地的观察。我们希望这些观察有助于指导未来的 FSIR 研究。
引用
@article{arxiv.2008.07960,
title = {Dataset Bias in Few-shot Image Recognition},
author = {Shuqiang Jiang and Yaohui Zhu and Chenlong Liu and Xinhang Song and Xiangyang Li and Weiqing Min},
journal= {arXiv preprint arXiv:2008.07960},
year = {2021}
}