学习建立关联：面向少样本分类的互中心化学习
计算机视觉与模式识别
2022-03-21 v4
摘要
少样本学习（FSL）旨在学习一个分类器，在仅给定少量样本的情况下，能够轻松适应训练时未见过的新任务。为处理少样本场景下的有限数据问题，近期方法倾向于集体使用一组局部特征来稠密表示图像，而非使用混合的全局特征。它们通常在 FSL 中探索一种单向的查询到支持范式，例如，为每个查询特征寻找最近/最优的支持特征，并聚合这些局部匹配以进行联合分类。本文提出一种新方法——互中心化学习（MCL），以双向范式充分关联两组不相交的稠密特征。我们将每个局部特征关联为一个粒子，该粒子可通过关联在离散特征空间中进行双向随机游走。为估计类概率，我们提出特征的“可达性”，用以度量在马尔可夫过程中访问该类支持特征的期望次数。我们将方法与在关联网络上学中心性相联系，并通过突出中心化局部特征展示了其嵌入现有方法的能力。实验表明，我们的方法在 miniImageNet 和 tieredImageNet 上均达到了最先进水平。
引用
@article{arxiv.2106.05517,
title = {Learning to Affiliate: Mutual Centralized Learning for Few-shot Classification},
author = {Yang Liu and Weifeng Zhang and Chao Xiang and Tu Zheng and Deng Cai and Xiaofei He},
journal= {arXiv preprint arXiv:2106.05517},
year = {2022}
}
备注
CVPR 2022