基于单形的小样本学习
计算机视觉与模式识别
2018-10-31 v2
摘要
深度学习在许多领域取得了显著成就。然而，神经网络参数的学习通常需要大量标注数据。因此，当应用于仅有少量数据可用的监督学习时，深度学习算法会遇到困难。这一特定任务被称为小样本学习。为此，我们提出了一种利用离散几何进行小样本学习的新算法，其将一类中的样本建模为一个约化单形（reduced simplex）。该单形的体积被用作类内散布的度量。在测试时，结合测试样本与类中的点，形成一个新的单形。然后，测试样本与该类的相似度可通过新单形体积与原类单形体积之比来量化。此外，我们提出了一种利用卷积神经网络生成的特征图的局部区域来构造单形的方法。在 Omniglot 和 miniImageNet 上的实验验证了我们的单形算法在小样本学习上的有效性。
引用
@article{arxiv.1807.10726,
title = {Few Shot Learning with Simplex},
author = {Bowen Zhang and Xifan Zhang and Fan Cheng and Deli Zhao},
journal= {arXiv preprint arXiv:1807.10726},
year = {2018}
}
备注
There is still room for model improvement