利用基于复合旋转的辅助任务改进少样本学习
计算机视觉与模式识别
2020-11-24 v2
摘要
在本文中，我们提出一种利用基于复合旋转的辅助任务来改进少样本分类性能的方法。少样本分类方法旨在产生对具有大量训练样本的类以及具有较少训练样本的类均表现良好的神经网络。它们采用技术使网络产生高度判别性且非常通用的特征。一般而言，网络所产生的特征的质量与通用性越好，其在少样本学习上的性能越好。我们的方法旨在通过使用自监督辅助任务来训练网络产生此类特征。我们提出的基于复合旋转的辅助任务在两个层面执行旋转，即图像内块旋转（内旋转）与整图旋转（外旋转），并为修改后的图像分配 16 个旋转类别之一。随后我们同时训练复合旋转预测任务与原始分类任务，这迫使网络学习高质量的通用特征，从而有助于提升少样本分类性能。我们通过实验表明，我们的方法在多个基准数据集上优于现有的少样本学习方法。
引用
@article{arxiv.2006.15919,
title = {Improving Few-Shot Learning using Composite Rotation based Auxiliary Task},
author = {Pratik Mazumder and Pravendra Singh and Vinay P. Namboodiri},
journal= {arXiv preprint arXiv:2006.15919},
year = {2020}
}
备注
Accepted in WACV 2021