面向少样本学习的密集分类与植入方法
计算机视觉与模式识别
2019-03-13 v1
摘要
从少量样本训练深度神经网络是许多计算机视觉任务中极具挑战性的关键问题。在此背景下，我们的目标是从具有丰富数据的集合向其他仅有少量可用样本的集合进行知识迁移。我们提出两种简单而有效的方案：（i）特征图上的密集分类，首次在少样本学习领域研究局部激活；（ii）植入，即向先前训练好的网络附加新神经元以学习任务特定的新特征。在 miniImageNet 上，我们改进了少样本分类的先前最优结果，即在 5-way 1-shot、5-shot 和 10-shot 设定下分别达到 62.5%、79.8% 和 83.8%。
引用
@article{arxiv.1903.05050,
title = {Dense Classification and Implanting for Few-Shot Learning},
author = {Yann Lifchitz and Yannis Avrithis and Sylvaine Picard and Andrei Bursuc},
journal= {arXiv preprint arXiv:1903.05050},
year = {2019}
}
备注
CVPR 2019