基于显著性引导样本幻觉的小样本学习
计算机视觉与模式识别
2019-04-09 v1
摘要
从少量样本中学习新概念是计算机视觉中的标准挑战。提升小样本训练模型学习能力的主要方向包括 (i) 鲁棒的相似性学习与 (ii) 从有限的现有样本中生成或幻觉出额外数据。本文沿后一方向提出一种新颖的数据幻觉模型。当前大多数数据点生成器包含一个专门网络（即 GAN）负责幻觉新数据点，因而首先需要对大量标注数据加以训练。本文提出一种用于小样本学习的、成本更低的新型幻觉方法，其利用显著性图。为此，我们采用显著性网络获取可用图像样本的前景与背景，并将所得图送入双流网络，以从可行的前景-背景组合中直接在特征空间内幻觉出数据点。据我们所知，我们是首个将显著性图用于此类任务者，并展示了其在为小样本学习幻觉额外数据点方面的有用性。我们所提网络在公开可用数据集上取得了最先进的性能。
引用
@article{arxiv.1904.03472,
title = {Few-Shot Learning via Saliency-guided Hallucination of Samples},
author = {Hongguang Zhang and Jing Zhang and Piotr Koniusz},
journal= {arXiv preprint arXiv:1904.03472},
year = {2019}
}
备注
IEEE Conference on Computer Vision and Pattern Recognition 2019