真实场景下带定位的小样本学习
计算机视觉与模式识别
2019-07-03 v2 人工智能
机器学习
机器学习
摘要
传统识别方法通常需要大规模、人工平衡的训练类别，而小样本学习方法则在人工构造的小规模类别上测试。与这两种极端情况相反，现实世界的识别问题表现出长尾类分布，场景杂乱，且包含粗粒度与细粒度类别区分的混合。基于一个新的“meta-iNat”基准，我们表明先前为小样本学习设计的方法在这些挑战性条件下无法直接奏效。我们引入了三项无参数改进：(a) 基于将交叉验证适配到元学习的更好训练流程，(b) 在分类前利用有限边界框标注定位物体的新颖架构，以及 (c) 基于双线性池化的无参数特征空间简单扩展。这些改进共同使最先进模型在 meta-iNat 上的准确率翻倍，同时泛化到先前的基准、复杂神经架构以及存在显著域偏移的设置。
引用
@article{arxiv.1904.08502,
title = {Few-Shot Learning with Localization in Realistic Settings},
author = {Davis Wertheimer and Bharath Hariharan},
journal= {arXiv preprint arXiv:1904.08502},
year = {2019}
}
备注
Appearing in CVPR 2019; added references in covariance pooling sections, added link to code in supplementary