用于单样本图像识别的记忆匹配网络
计算机视觉与模式识别
2018-04-24 v1
摘要
在本文中，我们提出了将卷积神经网络（CNNs）与记忆增强相结合，并在单样本学习中即时学习未标注图像网络参数的新思路。具体而言，我们提出记忆匹配网络（MM-Net）——一种探索训练过程的新颖深度架构，遵循训练与测试条件必须匹配的理念。从技术上讲，MM-Net 将一组标注图像（支持集）的特征写入记忆，并在执行推断时从记忆中读取，以整体利用该集合中的知识。同时，一个上下文学习器以顺序方式使用记忆槽来预测未标注图像的 CNN 参数。整个架构通过每类仅展示少量样本并在小批量之间切换学习来进行训练，这专为测试时呈现新类别少量样本的单样本学习而定制。与传统的单样本学习方法不同，我们的 MM-Net 可输出一个统一的模型，而不受样本数与类别数的影响。我们在两个公开数据集即 Omniglot 和 miniImageNet 上进行了大量实验，并报告了优于最先进方法的结果。更显著的是，我们的 MM-Net 将 Omniglot 上的单样本准确率从 98.95% 提升至 99.28%，将 miniImageNet 上的从 49.21% 提升至 53.37%。
引用
@article{arxiv.1804.08281,
title = {Memory Matching Networks for One-Shot Image Recognition},
author = {Qi Cai and Yingwei Pan and Ting Yao and Chenggang Yan and Tao Mei},
journal= {arXiv preprint arXiv:1804.08281},
year = {2018}
}
备注
CVPR 2018