LSFSL：在少样本学习中利用形状信息
计算机视觉与模式识别
2023-04-14 v1 人工智能
摘要
少样本学习（FSL）技术旨在使用更少样本学习数据中的潜在模式，类似于人类从有限经验中学习。在这一有限数据场景下，深度神经网络相关的挑战（如捷径学习和纹理偏置行为）进一步加剧。此外，在少样本设置中解决捷径学习的重要性尚未被充分探索。为解决这些问题，我们提出LSFSL，其利用数据中存在的隐式先验信息强制模型学习更具泛化性的特征。通过综合分析，我们证明LSFSL训练的模型利用数据中的全局语义，对配色方案改变、统计相关性和对抗扰动更不易受影响。我们的发现凸显了在少样本方法中引入相关先验以提升鲁棒性和泛化能力的潜力。
引用
@article{arxiv.2304.06672,
title = {LSFSL: Leveraging Shape Information in Few-shot Learning},
author = {Deepan Chakravarthi Padmanabhan and Shruthi Gowda and Elahe Arani and Bahram Zonooz},
journal= {arXiv preprint arXiv:2304.06672},
year = {2023}
}
备注
Accepted at CVPR 2023 (2nd Workshop on Learning with Limited Labelled Data for Image and Video Understanding)