利用 GNN 去噪自编码器生成分类权重以用于小样本学习
计算机视觉与模式识别
2019-05-06 v1 机器学习
摘要
给定一个已在一组基类上训练好的初始识别模型，本工作的目标是开发一个用于小样本学习的元模型。该元模型以每类仅含少量训练样本的若干新类作为输入，必须将现有的识别模型适当地调整为一个新模型，使其能够以统一的方式正确分类新类和基类。为实现这一目标，它必须学会为这两类类别输出合适的分类权重向量。为了构建我们的元模型，我们采用了两项主要创新：我们提出使用去噪自编码器网络（DAE），在训练过程中以被高斯噪声破坏的分类权重集作为输入，并学习重建具有目标判别性的分类权重。在这种情况下，注入到分类权重中的噪声起到了正则化权重生成元模型的作用。此外，为了在元模型的给定任务实例中捕获不同类别之间的相互依赖关系，我们提出将 DAE 模型实现为图神经网络（GNN）。为了验证我们方法的有效性，我们在基于 ImageNet 的小样本基准上进行了广泛评估，并报告了超越先前方法的优异结果。本文的代码和模型将发布于：https://github.com/gidariss/wDAE_GNN_FewShot
引用
@article{arxiv.1905.01102,
title = {Generating Classification Weights with GNN Denoising Autoencoders for Few-Shot Learning},
author = {Spyros Gidaris and Nikos Komodakis},
journal= {arXiv preprint arXiv:1905.01102},
year = {2019}
}
备注
Oral presentation at CVPR 2019. The code and models of our paper will be published on: https://github.com/gidariss/wDAE_GNN_FewShot