基于方向统计的判别式少样本学习
机器学习
2019-06-06 v1 机器学习
摘要
基于度量的少样本学习方法试图通过学习嵌入以简化比较，从而克服训练样本匮乏带来的困难。我们提出了一种用于少样本分类任务的类代表生成新算法。作为输入学习特征的概率模型，我们考虑了 von Mises-Fisher 分布的混合，已知其在高维空间中比高斯分布更具表达能力。进而，从判别分类器的视角出发，我们考虑了类间相关性，获得了更优的类代表，这是传统少样本学习算法所未涉及的。我们将该方法应用于 \emph{mini}ImageNet 和 \emph{tiered}ImageNet 数据集，并表明所提方法在少样本分类任务中优于其他可比方法。
引用
@article{arxiv.1906.01819,
title = {Discriminative Few-Shot Learning Based on Directional Statistics},
author = {Junyoung Park and Subin Yi and Yongseok Choi and Dong-Yeon Cho and Jiwon Kim},
journal= {arXiv preprint arXiv:1906.01819},
year = {2019}
}