用于少样本学习的记忆增强关系网络
计算机视觉与模式识别
2020-05-14 v2
摘要
基于度量的少样本学习方法专注于学习可迁移的特征嵌入，使其在有限标记样本的监督下能从已见类别很好地泛化到未见类别。然而，它们大多将工作上下文中的各个实例分开处理，而未考虑其相互之间的关系。在本工作中，我们研究一种新的度量学习方法——记忆增强关系网络（MRN），以显式地利用这些关系。具体而言，对于一个实例，我们从工作上下文中选取视觉上相似的样本，并执行加权信息传播，以注意力方式从所选样本中聚合有用信息来增强其表示。在 MRN 中，我们还将距离度量公式化为可学习的关系模块以学习比较进行相似性度量，并用记忆槽扩充工作上下文，二者均有助于其泛化能力。我们通过实验证明，在两个主要基准数据集（即 miniImagenet 和 tieredImagenet）上，MRN 相较其前身有显著提升，并与其他少样本学习方法相比取得有竞争力甚至更优的性能。
引用
@article{arxiv.2005.04414,
title = {Memory-Augmented Relation Network for Few-Shot Learning},
author = {Jun He and Richang Hong and Xueliang Liu and Mingliang Xu and Zhengjun Zha and Meng Wang},
journal= {arXiv preprint arXiv:2005.04414},
year = {2020}
}
备注
To be submitted to ACM Multimedia 2020