基于度量无关条件嵌入的少样本学习
机器学习
2018-02-14 v1 机器学习
摘要
从少量样本中学习高质量类表示是基于度量学习的少样本学习方法中的关键问题。为此，我们引入一种新颖架构，其中类表示针对每次少样本试验基于目标图像进行条件化。我们也偏离传统度量学习方法，训练网络执行类间比较而非依赖静态度量比较。这使得网络能决定每个类中对当前比较重要的方面。我们发现这一灵活架构在实践中表现良好，在 Caltech-UCSD 鸟类细粒度分类任务上取得了最先进(state-of-the-art)性能。
引用
@article{arxiv.1802.04376,
title = {Few-Shot Learning with Metric-Agnostic Conditional Embeddings},
author = {Nathan Hilliard and Lawrence Phillips and Scott Howland and Artëm Yankov and Courtney D. Corley and Nathan O. Hodas},
journal= {arXiv preprint arXiv:1802.04376},
year = {2018}
}