面向少样本学习的广义适配
计算机视觉与模式识别
2020-06-03 v3
摘要
许多少样本学习研究包含两阶段：预训练基模型与适配至新模型。本文提出使用闭式基学习器，以预训练基模型约束适配阶段，从而获得泛化性更好的新模型。如下理论分析证明了其合理性，并指明了如何训练泛化良好的基模型。随后我们在四个基准上开展实验，并在所有设定下取得最先进的性能。值得注意的是，我们在 5-shot miniImageNet 上达到 87.75% 的准确率，较现有方法约提升 10%。
引用
@article{arxiv.1911.10807,
title = {Generalized Adaptation for Few-Shot Learning},
author = {Liang Song and Jinlu Liu and Yongqiang Qin},
journal= {arXiv preprint arXiv:1911.10807},
year = {2020}
}
备注
We found a bug in the script in reexamining some of this work. We decide to withdraw for further modification