面向多标签少样本分类的元学习
计算机视觉与模式识别
2021-10-27 v1
摘要
即便拥有充足数据这一有利条件，多标签分类仍被广泛认为是一项具有挑战性的任务。本文针对多标签元学习问题，即模型仅通过观察少量支持样本，学习对查询样本（如图像）预测多个标签。为此，我们首先提出了一个每个样本具有多个标签的少样本学习（FSL）基准。接着，我们讨论并扩展了几种专为常规单标签 FSL 设计的解决方案，使其适用于多标签场景。最后，我们引入一个神经模块，通过利用关系推理来估计给定样本的标签数量。我们将在三个具有挑战性的数据集（即 MS-COCO、iMaterialist 和 Open MIC）上以实验证明标签数量模块、标签传播算法以及常规 FSL 方法扩展的益处。总体而言，我们详尽的实验表明，所提出的标签传播算法与神经标签数量模块（NLC）相结合应被视为首选方法。
引用
@article{arxiv.2110.13494,
title = {Meta-Learning for Multi-Label Few-Shot Classification},
author = {Christian Simon and Piotr Koniusz and Mehrtash Harandi},
journal= {arXiv preprint arXiv:2110.13494},
year = {2021}
}
备注
Accepted to WACV 2022