基于类内知识迁移的小样本学习
计算机视觉与模式识别
2020-08-25 v1
摘要
我们考虑具有不平衡数据集的小样本分类任务，其中某些类有充足的训练样本，而其他类仅有有限的训练样本。近期工作提出以少样本训练样本为种子，利用生成模型扩充少样本类的训练数据来解决该任务。然而，由于少样本种子数量有限，生成的样本通常多样性较小，难以为少样本类训练出判别性分类器。为丰富生成样本的多样性，我们提出利用来自相邻多样本类的类内知识，其直觉在于相邻类共享相似的统计信息。此类类内信息通过两步机制获得。首先，仅在多样本类上训练的回归器用于从极少样本中估计少样本类的均值。其次，对超类进行聚类，并将每个超类的统计均值与特征方差用作可由子少样本类继承的可迁移知识。随后该知识被生成器用来扩充稀疏训练数据，以辅助下游分类任务。大量实验表明，我们的方法在不同数据集与 样本设定下均达到了最先进水平。
引用
@article{arxiv.2008.09892,
title = {Few-Shot Learning with Intra-Class Knowledge Transfer},
author = {Vivek Roy and Yan Xu and Yu-Xiong Wang and Kris Kitani and Ruslan Salakhutdinov and Martial Hebert},
journal= {arXiv preprint arXiv:2008.09892},
year = {2020}
}