基于几何约束的小样本学习
机器学习
2020-03-23 v1 计算机视觉与模式识别
摘要
在本文中,我们考虑分类任务中的小样本学习问题。我们假设一个网络已在具有大量训练样本的基类别上训练完成,目标是为其添加仅含少量(例如一个或五个)训练样本的新类别。这是一个具有挑战性的场景,因为:1)在基类别和新类别上都需要高性能;2)用少量训练样本为新类别训练网络可能会污染为基类别良好训练的特征空间。为应对这些挑战,我们提出两种几何约束,以少量训练样本微调网络。第一个约束使新类别的特征聚集在类别权重附近,第二个约束保持新类别的权重远离基类别的权重。通过应用所提约束,我们在为新类别提取判别性特征的同时,保留了为基类别学习的特征空间。使用作为ImageNet子集的公开小样本学习数据集,我们证明所提方法大幅优于主流方法。
引用
@article{arxiv.2003.09151,
title = {Few-Shot Learning with Geometric Constraints},
author = {Hong-Gyu Jung and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2003.09151},
year = {2020}
}
备注
Accepted for publication in IEEE Transactions on Neural Networks and Learning Systems (T-NNLS)