通过类别遍历为少样本学习寻找任务相关特征
计算机视觉与模式识别
2019-05-28 v1 人工智能
摘要
少样本学习是一个重要的研究领域。从概念上讲，人类仅需少量示例即可轻松理解新概念，而在更务实的层面，实践中有限样本的训练情形十分常见。近期有效的少样本学习方法采用度量学习框架，来学习查询（测试）样本与少量支撑（训练）样本之间的特征相似性比较。然而，这些方法将每个支撑类彼此独立对待，从不将整个任务作为整体来看。因此，它们受限于对所有可能的测试时任务使用同一组特征，这阻碍了其区分当前任务最相关维度的能力。在本工作中，我们引入一个类别遍历模块（Category Traversal Module），可作为即插即用模块插入大多数基于度量学习的少样本学习器中。该组件一次性遍历整个支撑集，基于特征空间中类内共性与类间独特性来识别任务相关特征。在 mini-ImageNet 和 tieredImageNet 基准上，加入我们的模块相较基线系统显著提升了性能（相对 5%-10%），总体性能与近期最先进系统相当。
引用
@article{arxiv.1905.11116,
title = {Finding Task-Relevant Features for Few-Shot Learning by Category Traversal},
author = {Hongyang Li and David Eigen and Samuel Dodge and Matthew Zeiler and Xiaogang Wang},
journal= {arXiv preprint arXiv:1905.11116},
year = {2019}
}
备注
CVPR 2019