基于实例的最大间隔方法用于实用少样本识别
计算机视觉与模式识别
2023-05-30 v1 人工智能
摘要
为了更好地模拟人类的少样本学习(FSL)能力并使FSL更贴近真实世界应用,本文提出了一种实用FSL(pFSL)设定。pFSL基于无监督预训练模型(类似于人类先验知识)并同时识别许多新类别。相比传统FSL,pFSL形式更简单、更易评估、更具挑战性也更实用。为应对训练样本稀少的问题,本文提出IbM2,一种基于实例的最大间隔方法,不仅适用于新的pFSL设定,在传统FSL场景中也表现良好。基于高斯环定理(Gaussian Annulus Theorem),IbM2将施加于实例上的随机噪声转化为一种机制,以在多类别pFSL(或传统FSL)识别任务中实现最大间隔。基于多种自监督预训练方法和多样的多类别或少类别FSL任务的实验表明,IbM2相比各自的基线方法几乎总能带来提升,且在大多数情况下提升显著。凭借新的pFSL设定和新颖的IbM2方法,本文表明实用少样本学习既可行又前景广阔。
引用
@article{arxiv.2305.17368,
title = {Instance-based Max-margin for Practical Few-shot Recognition},
author = {Minghao Fu and Ke Zhu and Jianxin Wu},
journal= {arXiv preprint arXiv:2305.17368},
year = {2023}
}