利用卷积神经网络内部视觉概念的小样本学习
计算机视觉与模式识别
2018-02-14 v3 机器学习
机器学习
摘要
卷积神经网络（CNNs）是推动计算机视觉发展的动力之一。尽管 CNNs 在许多任务上表现出色，但在实现理想机器智能的道路上仍面临主要障碍。其一是 CNNs 复杂且难以解释。其二是标准 CNNs 需要大量标注数据，而这有时难以获取，因此期望能从少量样本中学习识别物体。在本工作中，我们针对 CNNs 的这些局限，开发了新颖、灵活且可解释的小样本学习模型。我们的模型基于用视觉概念（VCs）编码物体的思想，视觉概念是由 CNNs 内部特征向量表示的可解释视觉线索。我们首先将 VCs 的学习适配到小样本设定，然后揭示了使用 VCs 进行特征编码的两个关键属性，我们称之为类别敏感性与空间模式。受这些属性启发，我们提出了两个直观的小样本学习模型。实验表明，我们的模型取得了具有竞争力的性能，同时比现有的最优（SOTA）小样本学习方法更灵活、可解释。我们得出结论：使用 VCs 有助于发掘 CNNs 用于小样本学习的天然能力。
引用
@article{arxiv.1711.08277,
title = {Few-shot Learning by Exploiting Visual Concepts within CNNs},
author = {Boyang Deng and Qing Liu and Siyuan Qiao and Alan Yuille},
journal= {arXiv preprint arXiv:1711.08277},
year = {2018}
}