面向跨域少样本分类的解释引导训练
计算机视觉与模式识别
2021-06-01 v2 机器学习
摘要
跨域少样本分类任务（CD-FSC）将少样本分类与跨数据集所表示域的泛化需求相结合。该设定面临源于每类有限标注数据以及训练集与测试集间域偏移的挑战。本文为现有 FSC 模型引入一种新颖训练方法。它利用现有解释方法应用于 FSC 模型预测时所获得的解释分数，这些分数针对模型的中间特征图计算。首先，我们调整逐层相关性传播（LRP）方法以解释 FSC 模型的预测。其次，我们开发了一种模型无关的解释引导训练策略，动态发现并强调对预测重要的特征。我们的贡献并非针对新颖解释方法，而在于将解释用于训练阶段的新颖应用。我们表明解释引导训练有效提升了模型泛化能力。我们观察到三个不同 FSC 模型：RelationNet、交叉注意力网络以及基于图神经网络的公式，在五个少样本学习数据集 miniImagenet、CUB、Cars、Places 和 Plantae 上的准确率均有提升。源代码见 https://github.com/SunJiamei/few-shot-lrp-guided
引用
@article{arxiv.2007.08790,
title = {Explanation-Guided Training for Cross-Domain Few-Shot Classification},
author = {Jiamei Sun and Sebastian Lapuschkin and Wojciech Samek and Yunqing Zhao and Ngai-Man Cheung and Alexander Binder},
journal= {arXiv preprint arXiv:2007.08790},
year = {2021}
}