LaSO：面向多标签少样本学习的标签集操作网络
计算机视觉与模式识别
2019-02-27 v1
摘要
样本合成是解决少样本学习问题的主要方法之一，该问题中每类仅有少量样本可用。然而，当前的合成方法仅处理每幅图像单一类别标签的场景。本文中，我们提出一种用于合成多标签样本的新技术，以应对（尚未处理的）多标签少样本分类场景。我们提出在特征空间中对给定样本对进行组合，使得所得合成特征向量对应于这样的样本：其标签集由相应输入对的标签集经特定集合运算得到。因此，我们的方法能够生成含有两输入样本中所呈现标签的交集、并集或差集的样本。如我们所展示，这些集合运算可泛化至训练时未见的标签。这使得对新颖类别的样本执行增广成为可能，从而促进多标签少样本分类器学习。我们进行了大量实验，所提方法在标签集操控能力上展现出 promising 结果，既直接（使用分类与检索度量）又在作为多标签少样本学习数据增广的语境中。我们针对这一新颖且具挑战性的任务提出基准，并表明我们的方法优于所有常见基线。
引用
@article{arxiv.1902.09811,
title = {LaSO: Label-Set Operations networks for multi-label few-shot learning},
author = {Amit Alfassy and Leonid Karlinsky and Amit Aides and Joseph Shtok and Sivan Harary and Rogerio Feris and Raja Giryes and Alex M. Bronstein},
journal= {arXiv preprint arXiv:1902.09811},
year = {2019}
}