基于大规模扩散的低样本学习
计算机视觉与模式识别
2018-06-18 v3 机器学习
机器学习
摘要
本文考虑在训练时仅有少量标注样本可用的情况下，从图像推断图像标签的问题。这种设置通常被称为低样本学习，其标准方法是重新训练卷积神经网络中基于有大量训练样本的单独类别学习到的最后几层。我们考虑一种基于大规模图像集合的半监督设置，以支持标签传播。这通过利用大规模相似图构建的最新进展成为可能。我们证明，尽管概念简单，将标签传播扩展到数亿张图像，可以在低样本学习场景下达到最先进的准确率。
引用
@article{arxiv.1706.02332,
title = {Low-shot learning with large-scale diffusion},
author = {Matthijs Douze and Arthur Szlam and Bharath Hariharan and Hervé Jégou},
journal= {arXiv preprint arXiv:1706.02332},
year = {2018}
}