学习比较关系：面向少样本学习的语义对齐
计算机视觉与模式识别
2022-01-10 v2
摘要
少样本学习是一个基础且具有挑战性的问题，因为它要求仅从少量样本中识别新类别。待识别物体具有多种变体，并可位于图像中任意位置。直接比较查询图像与示例图像无法处理内容错位。用于比较的表征与度量至关重要，但由于少样本学习中样本的稀缺性与广泛差异性，其学习困难重重。本文提出一种新颖的语义对齐模型来比较关系，其对内容错位具有鲁棒性。我们提出在现有少样本学习框架中加入两个关键要素，以提升特征与度量学习能力。首先，我们引入语义对齐损失，以对齐来自同一类别样本的特征关系统计量。其次，引入局部与全局互信息最大化，从而得到包含图像中跨结构位置的局部一致与类内共享信息的表征。第三，我们引入一种基于各流同方差不确定性来权衡多个损失函数的原则性方法。我们在多个少样本学习数据集上进行了广泛实验。实验结果表明，所提方法能够借助语义对齐策略比较关系，并取得了最先进的（SOTA）性能。
引用
@article{arxiv.2003.00210,
title = {Learning to Compare Relation: Semantic Alignment for Few-Shot Learning},
author = {Congqi Cao and Yanning Zhang},
journal= {arXiv preprint arXiv:2003.00210},
year = {2022}
}