用于少样本学习的情景自适应嵌入网络
计算机视觉与模式识别
2021-06-18 v1
摘要
少样本学习旨在利用每类少量标注样本学习分类器。用于少样本学习的度量学习方法将样本嵌入高维空间,并基于样本嵌入间的距离进行分类。然而,此类样本嵌入通常在所有情景间共享,因而缺乏根据情景特定特征泛化分类器的判别力。本文提出一种新方法,即\emph{情景自适应嵌入网络}(EAEN),以学习情景特定的样本嵌入。通过利用一个情景中所有样本在每个通道-像素嵌入维度上的概率分布,EAEN 不仅能缓解少样本学习任务中遇到的过拟合问题,还能捕获特定于某一情景的判别特征。为实证验证 EAEN 的有效性与鲁棒性,我们在三个广泛使用的基准数据集上,在不同通用嵌入主干与不同分类器的多种组合下进行了大量实验。结果表明,在不同设置下,EAEN 比最先进方法的分类准确率显著提高了约 至 。
引用
@article{arxiv.2106.09398,
title = {Episode Adaptive Embedding Networks for Few-shot Learning},
author = {Fangbing Liu and Qing Wang},
journal= {arXiv preprint arXiv:2106.09398},
year = {2021}
}