用于少样本学习的影响力原型网络:一项皮肤病学案例研究
图像与视频处理
2021-12-28 v5 计算机视觉与模式识别
机器学习
摘要
原型网络(PN)是一种简单而有效的少样本学习策略。它是一种基于度量的元学习技术,通过计算每个类原型表示的欧氏距离来进行分类。传统的 PN 赋予所有样本同等重要性,并通过简单平均属于每个类的支持样本嵌入来生成原型。在这项工作中,我们提出了一种新颖的 PN 版本,它根据支持样本对支持样本分布的影响来赋予其权重。样本的影响权重是基于包含与不包含该样本的样本分布均值嵌入之间的最大均值差异(MMD)计算的。我们通过将所提出的影响力 PN(IPNet)与其他基线 PN 在三个不同的基准皮肤病学数据集上比较性能,对其进行了全面评估。IPNet 在所有三个数据集及各种 N-way、K-shot 分类任务上均以令人信服的结果优于所有基线模型。跨域适应实验的结果进一步确立了 IPNet 的鲁棒性和泛化能力。
引用
@article{arxiv.2111.00698,
title = {Influential Prototypical Networks for Few Shot Learning: A Dermatological Case Study},
author = {Ranjana Roy Chowdhury and Deepti R. Bathula},
journal= {arXiv preprint arXiv:2111.00698},
year = {2021}
}
备注
Computer Vision and Pattern Recognition