MetaConcept：通过概念图学习抽象以用于弱监督少样本学习
计算机视觉与模式识别
2021-05-12 v2
摘要
元学习已被证明是解决少样本学习问题的有效框架。关键挑战在于如何最小化基学习器跨任务的泛化误差。本文中，我们通过利用概念图来探索概念层次知识，并将概念图作为基学习器的显式元知识，而非学习隐式元知识，从而提升元学习在弱监督少样本学习问题上的分类性能。为此，我们提出一种新颖的元学习框架，称为 MetaConcept，其通过概念图学习抽象概念。具体而言，我们首先提出一种具有多级概念抽象的正则化方法，约束元学习器通过概念图学习抽象概念（即从低到高识别概念）。然后，我们提出一个元概念推断网络作为基学习器的元学习器，旨在通过抽象概念与少量标注样本的联合推断快速适配新任务。我们在两个弱监督少样本学习基准（即 WS-ImageNet-Pure 和 WS-ImageNet-Mix）上进行了大量实验。实验结果表明：1）所提 MetaConcept 以 2% 至 6% 的分类准确率提升优于最先进方法；2）所提 MetaConcept 仅用弱标注数据集训练也能取得良好性能。
引用
@article{arxiv.2007.02379,
title = {MetaConcept: Learn to Abstract via Concept Graph for Weakly-Supervised Few-Shot Learning},
author = {Baoquan Zhang and Ka-Cheong Leung and Yunming Ye and Xutao Li},
journal= {arXiv preprint arXiv:2007.02379},
year = {2021}
}
备注
Accepted by Pattern Recognition 2021