ECKPN：用于转导少样本学习的显式类知识传播网络
计算机视觉与模式识别
2021-06-17 v1 人工智能
摘要
近来，基于转导图的方法在少样本分类任务中取得了巨大成功。然而，现有多数方法忽略了探索类级知识，而人类仅从少量样本即可轻易习得此类知识。本文中，我们提出一种显式类知识传播网络（ECKPN），其由比较、压缩与校准模块组成，以解决该问题。具体而言，我们首先采用比较模块探索成对样本关系，在实例级图中学习丰富的样本表示。然后，我们将实例级图压缩生成类级图，这有助于获取类级视觉知识并促进不同类之间关系的建模。接着，采用校准模块显式刻画类间关系，以获得更具判别性的类级知识表示。最后，我们将类级知识与实例级样本表示结合，以引导查询样本的推断。我们在四个少样本分类基准上进行了大量实验，实验结果表明所提ECKPN显著优于当前最优（SOTA）方法。
引用
@article{arxiv.2106.08523,
title = {ECKPN: Explicit Class Knowledge Propagation Network for Transductive Few-shot Learning},
author = {Chaofan Chen and Xiaoshan Yang and Changsheng Xu and Xuhui Huang and Zhe Ma},
journal= {arXiv preprint arXiv:2106.08523},
year = {2021}
}
备注
Accepted by CVPR2021