通过偏置校正模块改进局部表征的小样本学习
计算机视觉与模式识别
2021-11-02 v1
摘要
近年来基于度量学习的方法在小样本学习中取得了很大进展。然而，大多数方法局限于图像级表征方式，无法妥善处理类内差异与空间知识，从而导致性能不佳。本文提出深度偏置校正网络（DBRN）以充分利用特征表征结构中所存在的空间信息。我们首先采用偏置校正模块来缓解类内差异带来的不利影响；该模块能够通过赋予不同权重，聚焦于对分类更具判别力的特征。为充分利用训练数据，我们设计了一种原型增强机制，使支持集生成的原型更具代表性。为验证方法有效性，我们在多个流行的小样本分类基准上进行了大量实验，所提方法优于当前最优（SOTA）方法。
引用
@article{arxiv.2111.00754,
title = {Few-shot learning with improved local representations via bias rectify module},
author = {Chao Dong and Qi Ye and Wenchao Meng and Kaixiang Yang},
journal= {arXiv preprint arXiv:2111.00754},
year = {2021}
}