利用局部级策略增强原型少样本学习
计算机视觉与模式识别
2021-11-09 v1
摘要
少样本学习（FSL）旨在用少量参考样本识别新类别的样本，是一个具有挑战性的问题。我们发现现有工作常通过混合所有局部级特征来基于图像级特征构建少样本模型，这导致了判别性位置偏差和局部细节的信息丢失。为解决该问题，本文回归到局部级特征的视角并提出了一系列局部级策略。具体而言，我们提出：(a) 一种局部无关训练策略，以避免基类别与新类别之间的判别性位置偏差；(b) 一种新颖的局部级相似度度量，以捕获局部级特征间的精确比较；(c) 一种局部级知识迁移，可根据不同位置特征从基类别合成不同的知识迁移。大量实验证明，我们提出的局部级策略能显著提升性能，在不同基准数据集上比基线提高 2.8%–7.2%，并达到了最先进的准确率。
引用
@article{arxiv.2111.04331,
title = {Enhancing Prototypical Few-Shot Learning by Leveraging the Local-Level Strategy},
author = {Junying Huang and Fan Chen and Keze Wang and Liang Lin and Dongyu Zhang},
journal= {arXiv preprint arXiv:2111.04331},
year = {2021}
}
备注
5 pages, 4 figures, submitted to ICASSP 2022