基于度量的少样本视频动作识别
计算机视觉与模式识别
2019-09-23 v1 机器学习
机器学习
摘要
在少样本场景下，学习者必须基于少量带标签的支持集样本有效泛化到未见过的类别。尽管针对图像分类的少样本学习已有相对大量的研究，关于少样本视频分类的工作却很少。在本文中，我们借助一组双流模型解决少样本视频动作识别任务。我们评估了一组卷积与循环神经网络视频编码器架构结合三种流行的基于度量的少样本算法的性能。我们使用 Kinetics 600 数据集的少样本划分进行训练与评估。我们的实验确认了双流设置的重要性，并发现原型网络与池化长短期记忆网络嵌入分别作为少样本方法与视频编码器给出最佳性能。对于 5-shot 5-way 任务，该设置在测试集上获得 84.2% 的准确率，在由高度易混淆类别组成的特殊“挑战”测试集上获得 59.4% 的准确率。
引用
@article{arxiv.1909.09602,
title = {Metric-Based Few-Shot Learning for Video Action Recognition},
author = {Chris Careaga and Brian Hutchinson and Nathan Hodas and Lawrence Phillips},
journal= {arXiv preprint arXiv:1909.09602},
year = {2019}
}