多样性与合作：少样本分类中的集成方法
计算机视觉与模式识别
2019-09-02 v2 人工智能
摘要
少样本分类旨在学习一个预测模型，该模型在仅给定少量标注样本的情况下，能够有效适应新类别。为解决这一具有挑战性的问题，元学习已成为倡导“学会适应”能力的流行范式。然而，近期工作表明，无元学习的简单学习策略亦可具备竞争力。在本文中，我们更进一步，表明通过解决少样本学习分类器固有的高方差问题，有可能显著优于当前的元学习技术。我们的方法包括设计深度网络集成以利用分类器的方差，并引入新策略在鼓励预测多样性的同时促使网络合作。评估在 mini-ImageNet 和 CUB 数据集上进行，我们表明即便通过蒸馏得到的单一网络也能取得最先进的结果。
引用
@article{arxiv.1903.11341,
title = {Diversity with Cooperation: Ensemble Methods for Few-Shot Classification},
author = {Nikita Dvornik and Cordelia Schmid and Julien Mairal},
journal= {arXiv preprint arXiv:1903.11341},
year = {2019}
}
备注
Added experiments for different network architectures across different input image resolutions