为少样本分类生成代表性样本
计算机视觉与模式识别
2022-05-09 v1
摘要
少样本学习（FSL）旨在利用每类少量视觉样本学习新类别。由于数据稀缺，少样本类表示常存在偏差。为缓解此问题，我们提出基于语义嵌入使用条件变分自编码器（CVAE）模型生成视觉样本。我们在基类上训练该CVAE模型，并用其生成新类的特征。更重要的是，我们在训练CVAE模型时通过从基训练集中移除非代表性样本，引导该VAE严格生成代表性样本。我们表明此训练方案增强了生成样本的代表性，从而改善了少样本分类结果。实验结果表明，我们的方法以显著幅度改进了三种FSL基线方法，在miniImageNet与tieredImageNet数据集的1-shot与5-shot设定下均达到了最先进的少样本分类性能。代码见：https://github.com/cvlab-stonybrook/fsl-rsvae。
引用
@article{arxiv.2205.02918,
title = {Generating Representative Samples for Few-Shot Classification},
author = {Jingyi Xu and Hieu Le},
journal= {arXiv preprint arXiv:2205.02918},
year = {2022}
}
备注
CVPR 2022