学习用于少样本学习的多级以权重为中心的特征
计算机视觉与模式识别
2021-05-05 v2 机器学习
机器学习
摘要
少样本学习当前正受益于深度学习的近期进展而迎来相当程度的复兴。基于权重生成方案的当代方法为该问题提供了直接且灵活的解决方案。然而，它们未充分考虑对未见类别的表征能力以及特征学习中的权重生成能力，这构成了显著的性能瓶颈。本文提出一种多级以权重为中心的特征学习，以充分发挥特征提取器在少样本学习中的双重作用。我们所提方法由两项关键技术组成：一种以提升特征原型能力的以权重为中心的训练策略，以及一种融合中级与关系级信息的多级特征。前者增加了基于少量样本构建判别性决策边界的可行性。同时，后者有助于提升刻画新类的可迁移性并保留对基类的分类能力。我们在低样本分类基准上广泛评估了我们的方法。实验表明，在标准与广义设定下以及使用不同网络骨干时，我们所提方法均显著优于同类方法。
引用
@article{arxiv.1911.12476,
title = {Learning Multi-level Weight-centric Features for Few-shot Learning},
author = {Mingjiang Liang and Shaoli Huang and Shirui Pan and Mingming Gong and Wei Liu},
journal= {arXiv preprint arXiv:1911.12476},
year = {2021}
}