基于少次迭代元学习的快速少样本分类
计算机视觉与模式识别
2022-03-22 v3
摘要
与现实世界交互的自主智能体需要高效且可靠地学习新概念。这需要在低数据条件下学习，这是一个极具挑战性的问题。我们通过引入一种用于少样本分类的基于快速优化的元学习方法来解决该任务。它由一个提供图像通用表示的嵌入网络和一个基学习器模块组成。后者在推理过程中通过展开优化过程学习一个线性分类器。我们设计了一个内部学习目标，包含(i)支持集上的鲁棒分类损失和(ii)熵损失，允许从未标记查询样本进行直推式学习。通过采用高效的初始化模块和基于最速下降的优化算法，我们的基学习器仅在几次迭代内就能预测出一个强大的分类器。此外，我们的策略使得基学习器目标的重要方面能够在元训练期间被学习。据我们所知，这项工作是首个在基于优化的元学习框架中将归纳与直推同时集成到基学习器中的工作。我们进行了全面的实验分析，在四个少样本分类数据集上证明了我们方法的速度与有效性。代码可在 \href{https://github.com/4rdhendu/FIML}{\textcolor{blue}{https://github.com/4rdhendu/FIML}} 获取。
引用
@article{arxiv.2010.00511,
title = {Fast Few-Shot Classification by Few-Iteration Meta-Learning},
author = {Ardhendu Shekhar Tripathi and Martin Danelljan and Luc Van Gool and Radu Timofte},
journal= {arXiv preprint arXiv:2010.00511},
year = {2022}
}
备注
Accepted at ICRA 2021