基于机器标注网络图像的少样本物体识别
计算机视觉与模式识别
2016-12-20 v1
摘要
随着卷积神经网络（ConvNets）在物体识别上取得巨大进展，我们现在可以轻松地通过现成 ConvNet 的预测获得足够可靠的机器标注。在这项工作中，我们提出了一种基于抽象记忆的少样本学习框架，该框架建立在机器标注的图像注释之上。我们的方法将一些大规模机器标注数据集（例如 OpenImages）作为外部记忆库。在外部记忆库中，信息以键值对的形式存储在记忆槽中，其中图像特征被视为键，标签嵌入作为值。当接收到少样本示例的查询时，我们的模型从外部记忆库中选择视觉上相似的数据，并将从相关外部数据中获得的有用信息写入另一个记忆库，即抽象记忆。利用长短期记忆（LSTM）控制器和注意力机制来保证写入抽象记忆的数据与查询示例相关。抽象记忆浓缩了来自外部记忆库的信息，从而使少样本识别变得有效。在实验中，我们首先确认了我们的模型能够学习在 ImageNet 数据集的干净人工标注数据上进行少样本物体识别。然后，我们证明了利用我们的模型，机器标注的图像注释是执行新类别物体识别的非常有效且丰富的资源。实验结果表明，我们提出的使用机器标注的模型取得了很好的性能，与使用人工标注的模型相比仅有 1% 的差距。
引用
@article{arxiv.1612.06152,
title = {Few-Shot Object Recognition from Machine-Labeled Web Images},
author = {Zhongwen Xu and Linchao Zhu and Yi Yang},
journal= {arXiv preprint arXiv:1612.06152},
year = {2016}
}