基数据集设计对少样本图像分类的影响
计算机视觉与模式识别
2020-07-20 v1
摘要
深度图像特征的质量和泛化能力关键取决于其训练数据，但这一常被忽视的影响鲜为人知。在本文中，我们通过在少样本分类设定下评估训练于不同图像集上的深度特征，系统性地研究了训练数据变化的影响。我们定义的实验协议允许探索关键的实际问题。基类和测试类之间的相似性有何影响？在给定固定标注预算的情况下，每类图像数与类数之间的最优权衡是什么？给定固定数据集，能否通过拆分或合并不同类来改进特征？应标注简单类还是多样类？在广泛的实验中，我们在miniImageNet、ImageNet和CUB-200基准上对这些问题上给出了明确答案。我们还展示了基数据集设计如何比用先进的SOTA算法替换简单基线更能显著改善少样本分类性能。
引用
@article{arxiv.2007.08872,
title = {Impact of base dataset design on few-shot image classification},
author = {Othman Sbai and Camille Couprie and Mathieu Aubry},
journal= {arXiv preprint arXiv:2007.08872},
year = {2020}
}
备注
23 pages, 11 figures, to appear in ECCV 2020