基于多面原型的少样本图像分类
计算机视觉与模式识别
2021-02-02 v1 人工智能
摘要
少样本学习（FSL）的目标是学习如何从少量训练样本中识别图像类别。一个核心挑战是，可用的训练样本通常不足以确定哪些视觉特征最能表征所考虑的类别。为应对这一挑战，我们将这些视觉特征组织为面（facet），直观上把同类特征归为一组（例如与形状、颜色或纹理相关的特征）。这源于如下假设：（i）每个面对不同类别的重要性不同；（ii）可以从类别名称的预训练嵌入中预测面的重要性。具体而言，我们提出了一种自适应相似度度量，依赖于对给定类别集预测的面重要性权重。该度量可与多种现有的基于度量的方法结合使用。在miniImageNet和CUB上的实验表明，我们的方法改进了基于度量的FSL的当前最优水平。
引用
@article{arxiv.2102.00801,
title = {Few-shot Image Classification with Multi-Facet Prototypes},
author = {Kun Yan and Zied Bouraoui and Ping Wang and Shoaib Jameel and Steven Schockaert},
journal= {arXiv preprint arXiv:2102.00801},
year = {2021}
}
备注
Accepted by ICASSP2021