小样本学习中的生成式潜在隐式条件优化
机器学习
2020-12-16 v5 计算机视觉与模式识别
机器学习
摘要
我们重新审视长期存在的小样本学习问题，为此提出一种称为GLICO（生成式潜在隐式条件优化，Generative Latent Implicit Conditional Optimization）的新方法。GLICO学习从训练样本到潜在空间的映射，以及从潜在空间中的向量生成图像的生成器。与大多数依赖大量无标签数据的近期工作不同，GLICO除小规模的带标签点集外不需要任何额外数据。事实上，GLICO仅使用每类少至5或10个样本、且此类少至10个（不施加任何先验）即可为每一类合成全新样本。GLICO随后用于在小样本上训练分类器时扩充小训练集。为此，我们提出的方法使用球面插值对所学潜在空间采样，并利用训练好的生成器生成新样本。实证结果表明，新采样集足够多样，在基于CIFAR-10、CIFAR-100和CUB-200获得的小样本上训练时，相较最先进方法在图像分类上取得提升。
引用
@article{arxiv.2003.14297,
title = {Generative Latent Implicit Conditional Optimization when Learning from Small Sample},
author = {Idan Azuri and Daphna Weinshall},
journal= {arXiv preprint arXiv:2003.14297},
year = {2020}
}
备注
Published at ICPR 2020