基于条件生成对抗网络中自适应权重掩码的少样本学习
计算机视觉与模式识别
2024-12-05 v1 机器学习
摘要
深度学习已彻底变革了各个领域，但其效果受到过拟合和需要大量标注数据的限制，尤其是在样本有限的少样本学习场景中。本文引入一种新方法，通过在条件生成对抗网络（GAN）中采用残差权重掩码进行少样本学习。 proposed模型将残差单元整合到生成器中，以增强网络深度和样本质量，同时在判别器中引入权重掩码正则化技术，以提高从小样本类别中学习特征的能力。该方法通过提供受控且清晰的样本空间扩充，解决了少样本学习中关于鲁棒性和泛化能力的核心问题。广泛的实验结果表明，RWM-CGAN不仅有效地扩展了样本空间，而且丰富了生成样本的多样性和质量，显著提高了在公共数据集上的检测和分类准确率。该论文通过提供一种解决数据稀缺和快速泛化到新任务或类别挑战的实用方案，推动了少样本学习的发展。
引用
@article{arxiv.2412.03105,
title = {Few-Shot Learning with Adaptive Weight Masking in Conditional GANs},
author = {Jiacheng Hu and Zhen Qi and Jianjun Wei and Jiajing Chen and Runyuan Bao and Xinyu Qiu},
journal= {arXiv preprint arXiv:2412.03105},
year = {2024}
}