基于流形的小样本图像识别
计算机视觉与模式识别
2020-10-26 v1
摘要
在本文中，我们将传统的小样本学习（FSL）问题扩展到源域数据不可访问、仅以类原型形式提供高层信息的情况。这种有限信息的 FSL 问题设置值得高度关注，因其意味着对源域数据隐私保护的不可访问性，但此前鲜有研究。由于训练数据有限，我们通过假设所有类原型在流形上结构化排列，提出一种针对该 FSL 问题的非参数方法。相应地，我们通过将小样本样本投影到周围类所在子空间的平均上来估计新类原型位置。在分类时，我们再次通过在以类原型构建的图上引入马尔可夫链，利用类别的结构化排列。使用该马尔可夫链获得的流形距离有望比传统的基于最近邻的欧氏距离产生更好的结果。为评估我们提出的框架，我们在两个图像数据集上进行了测试——大规模的 ImageNet 与小规模但细粒度的 CUB-200。我们还研究了参数敏感性以更好地理解我们的框架。
引用
@article{arxiv.2010.12084,
title = {Few-shot Image Recognition with Manifolds},
author = {Debasmit Das and J. H. Moon and C. S. George Lee},
journal= {arXiv preprint arXiv:2010.12084},
year = {2020}
}
备注
International Symposium on Visual Computing (ISVC), 2020