少样本度量学习：用于检索的嵌入在线自适应
计算机视觉与模式识别
2022-11-15 v1
摘要
度量学习旨在构建一种距离度量，通常通过学习有效的嵌入函数将相似对象映射为其嵌入空间中的邻近点。尽管深度度量学习近期取得了进展，但所学度量在具有显著领域差距的未见类别上泛化仍具挑战性。为应对该问题，我们探索了一种新的少样本度量学习问题，旨在仅用少量标注数据将嵌入函数自适应到目标域。我们引入了三种少样本度量学习基线，并提出了通道校正元学习（CRML），其通过调整中间层的通道来有效地在线自适应度量空间。在 miniImageNet、CUB-200-2011、MPII 以及新数据集 miniDeepFashion 上的实验分析表明，我们的方法通过自适应到目标类别持续改善了所学度量，并且在源类别领域差距更大时于图像检索中获得更大收益。
引用
@article{arxiv.2211.07116,
title = {Few-shot Metric Learning: Online Adaptation of Embedding for Retrieval},
author = {Deunsol Jung and Dahyun Kang and Suha Kwak and Minsu Cho},
journal= {arXiv preprint arXiv:2211.07116},
year = {2022}
}
备注
Accepted at ACCV 2022