少样本部分多视图学习
计算机视觉与模式识别
2023-05-19 v4 机器学习
摘要
在现实应用中，数据往往具有多个视图。充分挖掘每个视图的信息对于使数据更具代表性具有重要意义。然而，由于数据收集和预处理中的各种限制与失败，真实数据不可避免地面临视图缺失与数据稀缺的问题。这两种问题共存使得模式分类任务更具挑战性。据我们所知，目前鲜有合适的方法能同时很好地处理这两个问题。为引起学界对该挑战的更多关注，本文提出一项新任务，称为少样本部分多视图学习，其重点在于克服低数据情形下视图缺失问题带来的负面影响。该任务的挑战有两方面：(i) 在缺失视图的干扰下难以克服数据稀缺的影响；(ii) 有限的数据量加剧了信息稀缺，进而使解决视图缺失问题变得更加困难。为应对这些挑战，我们提出一种新的统一高斯稠密锚定方法。针对有限的部分多视图数据学习统一的稠密锚点，从而将其锚定到一个统一的稠密表示空间中，在该空间中数据稀缺与视图缺失的影响可得以缓解。我们进行了大量实验来评估所提方法。在 Cub-googlenet-doc2vec、Handwritten、Caltech102、Scene15、Animal、ORL、tieredImagenet 和 Birds-200-2011 数据集上的结果验证了其有效性。
引用
@article{arxiv.2105.02046,
title = {Few-shot Partial Multi-view Learning},
author = {Yuan Zhou and Yanrong Guo and Shijie Hao and Richang Hong and Jiebo Luo},
journal= {arXiv preprint arXiv:2105.02046},
year = {2023}
}
备注
18 pages