沿稀疏图的少样本图像分类
计算机视觉与模式识别
2021-12-09 v1
摘要
少样本学习仍然是一个具有挑战性的问题，对于大多数真实世界数据，其 1-shot 准确率并不令人满意。在这里，我们提出了一个关于深度网络特征空间中数据分布的不同视角，并展示了如何将其用于少样本学习。首先，我们观察到特征空间中的最近邻极大概率属于同一类，而通常来自同一类的两个随机点并不比来自不同类的点彼此更近。这一观察表明，特征空间中的类形成稀疏的、松散连接的图，而不是密集的簇。为了利用这一性质，我们建议使用少量标签传播到无标签空间，然后使用核 PCA 重构误差作为每个类特征空间数据分布的决策边界。使用这种我们称为“K-Prop”的方法，我们展示了对于那些可以训练出具有高类内最近邻概率的骨干网络的数据集，少样本学习性能得到了大幅提升（例如，在 RESISC45 卫星图像数据集上，1-shot 5-way 分类的准确率达到 83%）。我们使用六个不同的数据集证明了这种关系。
引用
@article{arxiv.2112.03951,
title = {Few-Shot Image Classification Along Sparse Graphs},
author = {Joseph F Comer and Philip L Jacobson and Heiko Hoffmann},
journal= {arXiv preprint arXiv:2112.03951},
year = {2021}
}