用于单样本学习的图像形变元网络
计算机视觉与模式识别
2019-07-19 v2
摘要
人类即使图像经历各种形变并丢失某些信息，也能稳健地学习新视觉概念。模仿相同行为并合成新概念的形变实例，可帮助视觉识别系统更好地进行单样本学习，即从单张或少量样本学习概念。我们的核心见解是：尽管形变图像在视觉上可能不真实，但它们仍保留关键语义信息，并对构建分类器决策边界有显著贡献。受近期元学习进展启发，我们将一个元学习器与一个生成额外训练样本的图像形变子网络相结合，并以端到端方式优化两个模型。该形变子网络通过融合一对图像来学习形变图像——一张保持视觉内容的探针图像和一张使形变多样化的图库图像。我们在广泛使用的单样本学习基准（miniImageNet 与 ImageNet 1K Challenge 数据集）上展示了结果，其显著优于最先进的方法。代码见 https://github.com/tankche1/IDeMe-Net。
引用
@article{arxiv.1905.11641,
title = {Image Deformation Meta-Networks for One-Shot Learning},
author = {Zitian Chen and Yanwei Fu and Yu-Xiong Wang and Lin Ma and Wei Liu and Martial Hebert},
journal= {arXiv preprint arXiv:1905.11641},
year = {2019}
}
备注
Oral at CVPR2019. Code is available at https://github.com/tankche1/IDeMe-Net