基于全局类表示的少样本学习
计算机视觉与模式识别
2019-08-15 v1
摘要
本文提出通过利用基类与新类训练样本学习全局类表示来解决极具挑战性的少样本学习(FSL)问题。在每个训练回合中，由支持集计算的回合类均值通过注册模块与全局表示进行注册，从而产生用于利用查询集计算分类损失的注册全局类表示。尽管遵循与现有基于元学习的方法类似的回合训练流程，我们的方法显著不同在于新类训练样本从一开始就参与训练。为弥补新类训练样本的不足，开发了有效的样本合成策略以避免过拟合。重要的是，通过基类-新类联合训练，我们的方法可轻松扩展至更实用却更具挑战性的FSL设定，即广义FSL，其中测试数据的标签空间扩展至基类与新类。大量实验表明我们的方法对两种FSL设定均有效。
引用
@article{arxiv.1908.05257,
title = {Few-Shot Learning with Global Class Representations},
author = {Tiange Luo and Aoxue Li and Tao Xiang and Weiran Huang and Liwei Wang},
journal= {arXiv preprint arXiv:1908.05257},
year = {2019}
}
备注
Accepted by ICCV2019