面向少样本学习的实例与任务感知动态核学习
计算机视觉与模式识别
2022-07-14 v2
摘要
以少量样本学习并泛化到新概念（少样本学习）仍是真实世界应用中的关键挑战。实现少样本学习的一个原则性途径是构建一个能快速适应给定任务上下文的模型。动态网络已被证明能高效学习内容自适应参数，使其适用于少样本学习。本文中，我们提出将卷积网络的动态核学习为当前任务的函数，从而实现更快的泛化。为此，我们基于整个任务及每个样本获得动态核，并发展了一种进一步独立地以各通道和位置为条件的机制。这得到的动态核在关注全局信息的同时也兼顾细微的可用细节。我们通过实验表明，我们的模型在少样本分类与检测任务上提升了性能，较多个基线模型取得切实改进。这包括在 4 个少样本分类基准 mini-ImageNet、tiered-ImageNet、CUB 和 FC100 上达到最先进结果，以及在少样本检测数据集 MS COCO-PASCAL-VOC 上取得有竞争力的结果。
引用
@article{arxiv.2112.03494,
title = {Learning Instance and Task-Aware Dynamic Kernels for Few Shot Learning},
author = {Rongkai Ma and Pengfei Fang and Gil Avraham and Yan Zuo and Tianyu Zhu and Tom Drummond and Mehrtash Harandi},
journal= {arXiv preprint arXiv:2112.03494},
year = {2022}
}
备注
ECCV2022