面向常见植物图像分类的小样本学习
计算机视觉与模式识别
2021-05-10 v1
摘要
元学习与迁移学习在小样本图像分类任务中的应用是一个被充分研究的领域，许多论文展示了在数据充足且计算资源无重大限制的情况下，迁移学习相对于元学习的优势。在本文中，我们将展示利用模型无关元学习（MAML）进行图像分类时，测试各种最先进迁移学习权重与架构对比元学习领域类似最先进工作的实验结果。我们的结果表明，当数据集足够大时，两种方法均能提供足够的性能，但在引入数据稀疏性时两者都难以维持足够性能。该问题通过图像增强与超参数微调得到中等程度缓解。在本文中我们将讨论：(1) 我们开发用于小样本图像分类任务的鲁棒多类卷积神经网络（CNN）的过程，(2) 证明当数据集较大时迁移学习是辅助构建图像分类模型的更优方法，以及 (3) 在数据非常有限的情况下MAML优于迁移学习。代码见：github.com/JBall1/Few-Shot-Limited-Data
引用
@article{arxiv.2105.03056,
title = {Few-Shot Learning for Image Classification of Common Flora},
author = {Joshua Ball},
journal= {arXiv preprint arXiv:2105.03056},
year = {2021}
}