通过张量幻觉的少样本学习
计算机视觉与模式识别
2021-04-20 v1
摘要
少样本分类解决了仅给定有限标注数据时对样本进行分类的挑战。一种有力的方法是超越数据增强，走向数据合成。然而，大多数用于少样本分类的数据增强/合成方法都过于复杂和精巧，例如训练带有多个正则化项的 wGAN，或训练一个网络将潜在多样性从已知类迁移到新类。我们做出了两点贡献，即我们表明：(1) 在少样本设定下训练特征生成器，使用一个简单的损失函数就绰绰有余；以及 (2) 学习生成张量特征而非向量特征更优。在 miniImagenet、CUB 和 CIFAR-FS 数据集上的大量实验表明，我们的方法确立了新的 SOTA，优于更为精巧的少样本数据增强方法。
引用
@article{arxiv.2104.09467,
title = {Few-shot learning via tensor hallucination},
author = {Michalis Lazarou and Yannis Avrithis and Tania Stathaki},
journal= {arXiv preprint arXiv:2104.09467},
year = {2021}
}
备注
Accepted as oral at ICLR2021 workshop: "Synthetic Data Generation: Quality, Privacy, Bias"