面向新类别分类的超球面嵌入

深度学习模型在许多不同行业中已变得愈发有用。在图像分类领域，卷积神经网络已证明能够学习用于闭集问题的鲁棒特征，正如在MNIST、FASHIONMNIST、CIFAR10、CIFAR100与IMAGENET等众多不同数据集中所示。这些方法使用带有softmax激活函数的全连接层的深度神经网络，以学习可在潜空间中分离类别的特征。然而，这一传统方法无法识别训练集中未出现的类别，即所谓的开集问题。在涉及小数据学习的场景中也会出现类似问题。为应对这两类问题，少样本学习被提出。特别地，度量学习学习服从潜空间中度量距离约束的特征以执行分类。然而，尽管该方法被证明对开集问题有用，当前实现需要成对训练，即在训练阶段同时输入相似图像的正例与负例，鉴于可能输入的组合性质，这限制了这些方法在大数据或大类场景中的适用性。本文中，我们提出一种基于约束的方法，应用于文献[18]所提出的归一化softmax损失下的潜空间表征。我们在不同数据集上通过度量学习与归一化softmax损失，在分离与联合场景下，对提出的方法在未见类别分类上进行了实验验证。我们的结果表明，所提策略不仅因无需成对学习而可高效训练于更大规模的类别集合，且取得了优于度量学习策略的分类结果，准确率显著超越后者。