面向少样本图像分类的逐层自适应更新方法
计算机视觉与模式识别
2021-09-08 v1 机器学习
图像与视频处理
机器学习
摘要
少样本图像分类（FSIC）要求模型通过从少量该类图像中学习来识别新类别，已引起广泛关注。近来，基于元学习的方法被证明是 FSIC 的一个有前景的方向。通常，它们训练一个元学习器（meta-learning model）以学习易微调的权重，并在解决 FSIC 任务时，通过在任务的少量图像上更新自身，高效微调为特定任务的模型。本文提出一种新颖的基于元学习的逐层自适应更新（LWAU）方法用于 FSIC。LWAU 受一个有趣发现的启发：与常见深度模型相比，元学习器在从少量图像学习时更关注更新其顶层。基于此发现，我们假设元学习器可能极大偏好更新顶层而非底层，以获得更好的 FSIC 性能。因此，在 LWAU 中，元学习器被训练为不仅学习易微调模型，还学习其偏好的逐层自适应更新规则，以提高学习效率。大量实验表明，借助逐层自适应更新规则，所提 LWAU：1）以明显优势超越现有少样本分类方法；2）在解决 FSIC 时，从少量图像学习比现有元学习器至少高效 5 倍。
引用
@article{arxiv.2007.08129,
title = {Layer-Wise Adaptive Updating for Few-Shot Image Classification},
author = {Yunxiao Qin and Weiguo Zhang and Zezheng Wang and Chenxu Zhao and Jingping Shi},
journal= {arXiv preprint arXiv:2007.08129},
year = {2021}
}