无遗忘的动态少样本视觉学习
计算机视觉与模式识别
2018-04-26 v1 机器学习
摘要
人类视觉系统具有仅从少量样本即可轻松学习新概念的卓越能力。在机器学习视觉系统上模仿同样的行为是一个有趣且极具挑战的研究问题，并在现实世界视觉应用中有诸多实际优势。在此背景下，我们工作的目标是设计一个少样本视觉学习系统，在测试时能够从少量训练数据高效学习新类别，同时不遗忘其初始训练所用的类别（此处称为基类别）。为实现该目标，我们提出（a）用基于注意力的少样本分类权重生成器扩展目标识别系统，以及（b）将 ConvNet 模型的分类器重新设计为特征表示与分类权重向量之间的余弦相似度函数。后者除了统一对新类别与基类别的识别外，还带来了对“未见”类别泛化更好的特征表示。我们在 Mini-ImageNet 上广泛评估了我们的方法，在少样本识别上超越了先前最优水平（即在 1-shot 与 5-shot 设定下分别达到 56.20% 与 73.00%），同时我们在基类别上未损失任何精度，这是多数先前方法所缺乏的特性。最后，我们将我们的方法应用于 Bharath 与 Girshick [4] 最近提出的少样本基准，同样取得了最优结果。我们论文的代码与模型将发布于：https://github.com/gidariss/FewShotWithoutForgetting
引用
@article{arxiv.1804.09458,
title = {Dynamic Few-Shot Visual Learning without Forgetting},
author = {Spyros Gidaris and Nikos Komodakis},
journal= {arXiv preprint arXiv:1804.09458},
year = {2018}
}
备注
Accepted at CVPR 2018. Code and models will be published on: https://github.com/gidariss/FewShotWithoutForgetting