面向广义少样本学习的自适应分类器合成学习
计算机视觉与模式识别
2021-06-29 v5 机器学习
摘要
现实世界中的物体识别需要处理长尾甚至开放-ended 的数据。理想的视觉系统需要可靠地识别常见的头部视觉概念，同时以少量训练样本高效地学习新出现的尾部类别。类别均衡的多数样本学习与少样本学习分别解决了该问题的一面，即要么为头部学习强分类器，要么学习如何学习尾部的少样本分类器。本文研究广义少样本学习（GFSL）问题——部署中的模型需要以少量样本学习尾部类别，同时分类头部类。我们提出 ClAssifier SynThesis LEarning（CASTLE），一种学习框架，它学习如何合成校准的少样本分类器，以及利用共享神经字典学习头部类的多类分类器，从而阐明归纳式 GFSL。此外，我们提出 CASTLE 的自适应版本（ACASTLE），其根据到来的尾部训练样本调整头部分类器，产生一个允许有效反向知识迁移的框架。因此，ACASTLE 能有效处理来自异构域的类的 GFSL。CASTLE 与 ACASTLE 在 MiniImageNet 与 TieredImageNet 数据集上展现出优于现有 GFSL 算法和强基线的性能。更有趣的是，在以标准少样本学习准则评估时，它们优于先前的最先进方法。
引用
@article{arxiv.1906.02944,
title = {Learning Adaptive Classifiers Synthesis for Generalized Few-Shot Learning},
author = {Han-Jia Ye and Hexiang Hu and De-Chuan Zhan},
journal= {arXiv preprint arXiv:1906.02944},
year = {2021}
}
备注
Accepted by IJCV; The code is available at https://github.com/Sha-Lab/aCASTLE