从对抗特征中学习用于少样本分类
计算机视觉与模式识别
2019-03-26 v1
摘要
许多近期的少样本学习方法集中于设计新颖的模型架构。在本文中，我们反而表明，使用简单的骨干卷积网络甚至可以超越最先进的分类准确率。促成这一优越性能的关键部分是一种提升模型泛化能力的对抗特征学习策略。在本工作中，对抗特征是指那些能使分类器对其预测产生不确定性的特征。为生成对抗特征，我们首先基于熵相对于平均掩码的导数定位对抗区域。然后我们利用对抗区域注意力聚合特征图以获得对抗特征。通过这种方式，我们可以探索并利用特征图的整个空间区域来挖掘更多样化的判别性知识。我们在 miniImageNet 和 tieredImageNet 数据集上进行了广泛的模型评估与分析，证明了所提方法的有效性。
引用
@article{arxiv.1903.10225,
title = {Learning from Adversarial Features for Few-Shot Classification},
author = {Wei Shen and Ziqiang Shi and Jun Sun},
journal= {arXiv preprint arXiv:1903.10225},
year = {2019}
}