用于少样本识别的多层次相似性学习
计算机视觉与模式识别
2019-12-16 v1
摘要
少样本学习指基于极少量标注训练样本识别未见对象的能力，其模拟人类视觉智能。基于此概念，我们提出多层次相似性模型（MLSM）以捕获支持样本与查询样本间深度编码的距离度量。我们的方法基于图像相似性学习可分解为图像级、全局级和对象级这一事实。一旦建立相似性函数，MLSM 便能通过计算有限标注样本与目标图像间的相似性分数，对未见类别图像分类。此外，我们在 Caltech-UCSD 数据集上进行了 5 路 1-shot 与 5-shot 设置实验。结果表明，相较于现有方法，所提模型在实际应用中取得了有前景的结果。
引用
@article{arxiv.1912.06418,
title = {Multi-level Similarity Learning for Low-Shot Recognition},
author = {Hongwei Xv and Xin Sun and Junyu Dong and Shu Zhang and Qiong Li},
journal= {arXiv preprint arXiv:1912.06418},
year = {2019}
}
备注
6 pages, 6 figures