单样本视觉分类任务的消歧：一种基于单纯形的方法
计算机视觉与模式识别
2023-01-18 v1 人工智能
机器学习
摘要
视觉少样本分类领域旨在将深度学习视觉系统的最先进性能迁移到仅提供极少量训练样本的任务上。主要解决方案是使用大规模且多样化的数据集训练特征提取器，并将其应用于所考虑的少样本任务。得益于特征提取器中编码的先验知识，即使样本展示的个体差异特征不能代表其类别，每类仅有一个样本（或“shot”）的分类任务也能以高准确率解决。然而，当某些给定样本中包含多个物体时，问题变得更加复杂。在本文中，我们提出了一种策略，旨在检测给定样本中存在多个先前未见过的物体。该方法基于在高维空间中识别单纯形的角点。我们引入了一种优化例程，并展示了其成功检测原始图像中多个（先前未见）物体的能力。随后，我们引入了一种下游分类器，旨在利用多物体的存在来改善极端设定下（每类仅给定一个样本）少样本分类的性能。使用领域的标准基准，我们展示了所提方法在这些设定下能够轻微但具有统计显著性地提高准确率。
引用
@article{arxiv.2301.06372,
title = {Disambiguation of One-Shot Visual Classification Tasks: A Simplex-Based Approach},
author = {Yassir Bendou and Lucas Drumetz and Vincent Gripon and Giulia Lioi and Bastien Pasdeloup},
journal= {arXiv preprint arXiv:2301.06372},
year = {2023}
}