基于混合模型的特征空间学习用于小样本图像分类
计算机视觉与模式识别
2021-08-18 v2
摘要
我们提出基于混合模型的特征空间学习（MixtFSL），以在小样本图像分类背景下获得丰富且鲁棒的特征表示。先前工作提出依靠离线聚类算法将每个基类建模为单点或使用混合模型。相反，我们提出通过同时以在线方式训练特征提取器并学习混合模型参数，用混合模型对基类建模。这产生了更丰富且更具判别力的特征空间，可用于从极少样本中分类新实例。我们提出两个主要阶段来训练 MixtFSL 模型。首先，使用两个损失函数的组合学习每个基类的多模态混合及特征提取器参数。其次，所得网络和混合模型通过领导者-跟随者学习过程逐步精炼，该过程使用当前估计作为“目标”网络。此目标网络用于对混合分量做一致的实例分配，从而提升性能并稳定训练。我们端到端特征空间学习方法的有效性在四个标准数据集和四个主干网络上通过大量实验得到证明。值得注意的是，我们证明当将我们的鲁棒表示与近期基于对齐的方法结合时，我们在归纳设定下取得了新的 SOTA 结果，在 miniImageNet 上 5-shot 分类绝对准确率为 82.45，tieredImageNet 上为 88.20，使用 ResNet-12 主干在 FC100 上为 60.70。
引用
@article{arxiv.2011.11872,
title = {Mixture-based Feature Space Learning for Few-shot Image Classification},
author = {Arman Afrasiyabi and Jean-François Lalonde and Christian Gagné},
journal= {arXiv preprint arXiv:2011.11872},
year = {2021}
}