基于协方差保持对抗增强网络的少样本学习
机器学习
2018-12-14 v3 机器学习
摘要
深度神经网络在用少量数据训练时会遭受过拟合与灾难性遗忘。对此问题的一个自然补救是数据增强，其近期已被证明有效。然而，先前工作要么假设类内方差总能泛化到新类，要么采用朴素生成方法在未建模其潜在分布的情况下幻觉出有限样本。在本工作中，我们提出协方差保持对抗增强网络以克服少样本学习的现有局限。具体而言，设计了一种新颖的生成对抗网络，在给定相关基类的前提下对每个新类的潜在分布建模。由于对新类的直接估计会有归纳偏置，我们在生成过程中显式保持协方差信息作为基类样本的“变异性”。经验结果表明，我们的模型能生成逼真且多样的样例，在ImageNet基准上相较最先进水平取得了实质性改进。
引用
@article{arxiv.1810.11730,
title = {Low-shot Learning via Covariance-Preserving Adversarial Augmentation Networks},
author = {Hang Gao and Zheng Shou and Alireza Zareian and Hanwang Zhang and Shih-Fu Chang},
journal= {arXiv preprint arXiv:1810.11730},
year = {2018}
}