MA3：用于少样本学习的模型无关对抗增强
计算机视觉与模式识别
2020-04-13 v1 机器学习
摘要
尽管近期使用深度神经网络在视觉相关问题上取得了进展，但在将这些模型推广到未见样本方面仍有很大改进空间。本文中，我们以一种新的增强技术探索少样本学习领域。与其他学习输入图像上分布的生成式增强技术不同，我们提出学习图像变换参数上的概率分布，其更易于且更快速地学习。我们的技术完全可微分，使其能够扩展到多种数据集和基础模型。我们在多个基础网络和2个数据集上评估了所提方法，以确立该方法的鲁棒性和效率。在不改变网络架构的情况下，通过添加我们的增强模块获得了近4%的提升。我们还提供了便于社区使用的代码。
引用
@article{arxiv.2004.05100,
title = {MA 3 : Model Agnostic Adversarial Augmentation for Few Shot learning},
author = {Rohit Jena and Shirsendu Sukanta Halder and Katia Sycara},
journal= {arXiv preprint arXiv:2004.05100},
year = {2020}
}
备注
Accepted at CVPR Workshop on Visual Learning with Limited Labels 2020