用于少样本学习的多样性迁移网络
计算机视觉与模式识别
2020-01-01 v1
摘要
少样本学习是一项具有挑战性的任务，旨在仅用少量训练样本为未见类别训练分类器。少样本学习的主要困难在于不足的训练样本内缺乏类内多样性。为缓解该问题，我们提出了一种新颖的生成框架——多样性迁移网络（DTN），它学习将已知类别的潜在多样性迁移并与支持特征组合，以在特征空间中为新颖类别生成多样样本。样本生成（即多样性迁移）的学习问题通过单阶段网络中最小化有效的元分类损失来解决，而非以往工作中的生成损失。此外，提出一种在已知类别上的有组织辅助任务协同训练以稳定 DTN 的元训练过程。我们在三个数据集（即 miniImageNet、CIFAR100 和 CUB）上进行了大量实验与消融研究。结果表明，DTN 以单阶段训练与更快收敛速度，在基于特征生成的少样本学习方法中取得了最先进的（SOTA）结果。代码与补充材料见：\texttt{https://github.com/Yuxin-CV/DTN}
引用
@article{arxiv.1912.13182,
title = {Diversity Transfer Network for Few-Shot Learning},
author = {Mengting Chen and Yuxin Fang and Xinggang Wang and Heng Luo and Yifeng Geng and Xinyu Zhang and Chang Huang and Wenyu Liu and Bo Wang},
journal= {arXiv preprint arXiv:1912.13182},
year = {2020}
}
备注
9 pages, 3 figures, AAAI 2020