用于少样本识别的知识图转移网络
计算机视觉与模式识别
2020-10-16 v2
摘要
少样本学习旨在从极少样本中学习新类别,同时给定具有充足训练样本的基类别。该任务的主要挑战是新类别易被物体的颜色、纹理、形状或背景上下文(即特异性)所主导,这些对于给定少量训练样本是独特的,但对于相应类别并不通用(见图1)。幸运的是,我们发现转移相关基类别的信息有助于学习新概念,从而避免新概念被特异性主导。此外,纳入不同类别间的语义关联可有效正则化此信息转移。本工作中,我们以结构化知识图形式表示语义关联,并将该图集成到深度神经网络中,通过一种新颖的知识图转移网络(KGTN)促进少样本学习。具体而言,以对应类别的分类器权重初始化各节点,学习一种传播机制以自适应地通过图传播节点消息,探索节点交互并将基类别的分类器信息转移至新类别。在ImageNet数据集上的大量实验表明,相较于当前领先竞争者,性能显著提升。此外,我们构建了覆盖更大规模类别(即6000个类别)的ImageNet-6K数据集,在该数据集上的实验进一步证明了我们提出模型的有效性。我们的代码与模型可在 https://github.com/MyChocer/KGTN 获取。
引用
@article{arxiv.1911.09579,
title = {Knowledge Graph Transfer Network for Few-Shot Recognition},
author = {Riquan Chen and Tianshui Chen and Xiaolu Hui and Hefeng Wu and Guanbin Li and Liang Lin},
journal= {arXiv preprint arXiv:1911.09579},
year = {2020}
}
备注
accepted by AAAI 2020 as oral paper