面向图像分割的元学习初始化
机器学习
2020-05-11 v4 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
我们将一阶模型无关元学习算法（包括 FOMAML 和 Reptile）扩展到图像分割，提出了一种为快速学习而构建的新型神经网络架构，称为 EfficientLab，并利用元学习算法测试误差的形式化定义来降低分布外任务上的误差。我们通过在 FSS-1000 数据集上用 FOMAML 元训练 EfficientLab 并使用贝叶斯优化推断最优测试时自适应例程超参数，展示了最先进的结果。我们还构建了一个小型基准数据集 FP-k，用于实证研究元学习系统在少样本和多样本设置下的表现。在 FP-k 数据集上，我们表明元学习初始化对典型少样本图像分割具有价值，但其性能很快被常规迁移学习匹敌，且在超过 10 个标注样本后性能相等。我们的代码、元学习模型和 FP-k 数据集可在 https://github.com/ml4ai/mliis 获取。
引用
@article{arxiv.1912.06290,
title = {Meta-Learning Initializations for Image Segmentation},
author = {Sean M. Hendryx and Andrew B. Leach and Paul D. Hein and Clayton T. Morrison},
journal= {arXiv preprint arXiv:1912.06290},
year = {2020}
}