基于谱特征的少样本抽象视觉推理
机器学习
2019-10-07 v1 计算机视觉与模式识别
机器学习
摘要
我们提出了一种图像预处理技术，能够提升少样本分类器在抽象视觉推理任务上的性能。许多具有抽象特征的视觉推理任务人类仅需少量样本即可轻松学习，但对同等样本量的计算机视觉方法却非常困难，尽管深度学习模型具备学习抽象特征的能力。同异（SD）问题代表一类需要在单幅图像内掌握模式重复知识的视觉推理任务，现代计算机视觉方法即便在大量训练数据下也大多在这些分类问题上失利。我们基于去除图像幅度谱中的峰值能够突出图像独特部分这一洞见，提出了解决这些问题的简单方法。当与若干分类器结合时，我们的方法在少样本学习的 SD SVRT 任务上表现良好，在所有任务上均优于最佳可比结果，某些分类器的平均绝对准确率提升近 40%。特别地，我们发现将关系网络（Relational Networks）与该图像预处理方法结合，可将其在若干 SD 任务上的性能从随机水平提升至超过 90% 的准确率。
引用
@article{arxiv.1910.01833,
title = {Few-Shot Abstract Visual Reasoning With Spectral Features},
author = {Tanner Bohn and Yining Hu and Charles X. Ling},
journal= {arXiv preprint arXiv:1910.01833},
year = {2019}
}
备注
11 pages, 3 figures