MetaDelta：一种用于少样本图像分类的元学习系统
计算机视觉与模式识别
2021-02-23 v1 人工智能
摘要
元学习旨在通过对先前任务学到的通用经验进行迁移，从而在数据有限的新任务上快速学习。自然地，少样本学习已成为元学习最流行的应用之一。然而，现有元学习算法很少考虑时间效率、资源效率或对未知数据集的泛化能力，这限制了它们在真实场景中的适用性。本文提出 MetaDelta，一种用于少样本图像分类的新颖实用元学习系统。MetaDelta 由两个核心组件构成：i）由中央控制器监督的多个元学习器以保证效率，以及 ii）负责集成推理和更好泛化的元集成模块。特别地，MetaDelta 中的每个元学习器由一个经批训练微调的独特预训练编码器和一个用于预测的无参数解码器组成。MetaDelta 在 AAAI 2021 MetaDL 挑战赛的最终阶段排名第一，证明了我们所提系统的优势。代码已公开于 https://github.com/Frozenmad/MetaDelta。
引用
@article{arxiv.2102.10744,
title = {MetaDelta: A Meta-Learning System for Few-shot Image Classification},
author = {Yudong Chen and Chaoyu Guan and Zhikun Wei and Xin Wang and Wenwu Zhu},
journal= {arXiv preprint arXiv:2102.10744},
year = {2021}
}