改进的少样本视觉分类
计算机视觉与模式识别
2020-06-12 v3
摘要
少样本学习是计算机视觉中的一项基础任务，承载着减轻对详尽标注数据需求的愿景。迄今为止，大多数少样本学习方法都集中于逐步更复杂的神经特征提取器和分类器自适应策略，以及对任务定义本身的精炼。在本文中，我们探究了一个假设：将一种简单的基于类协方差的距离度量，即马氏距离，引入到最先进的少样本学习方法（CNAPS）中，其本身就能带来显著的性能提升。我们还发现，可以学习自适应特征提取器，从而能够从惊人少量的样本中对该度量所需的高维特征协方差进行有用的估计。我们工作的成果是一种新的“Simple CNAPS”架构，其可训练参数比 CNAPS 最多少 9.2%，并且在标准少样本图像分类基准数据集上比最先进方法最多好 6.1%。
引用
@article{arxiv.1912.03432,
title = {Improved Few-Shot Visual Classification},
author = {Peyman Bateni and Raghav Goyal and Vaden Masrani and Frank Wood and Leonid Sigal},
journal= {arXiv preprint arXiv:1912.03432},
year = {2020}
}