一类元学习：面向可泛化的少样本开集分类
计算机视觉与模式识别
2021-09-15 v1 机器学习
摘要
现实世界的分类任务经常需要在开集设定下工作。由于每个已知类别的样本量很小，这使得现有开集方法无法有效工作，因此少样本学习问题尤为具有挑战性；然而，大多数多类少样本方法局限于闭集场景。在本工作中，我们通过首先提出少样本一类分类方法，并将其扩展至多类少样本开集分类，来解决少样本开集分类问题。我们引入两种独立的少样本一类分类方法：Meta Binary Cross-Entropy（Meta-BCE），其学习用于一类分类的单独特征表示；以及 One-Class Meta-Learning（OCML），其学习在标准多类特征表示下生成一类分类器。两种方法均可增强任何现有少样本学习方法，无需重新训练即可使其在少样本多类开集设定下工作，且不降低其闭集性能。我们在不同问题设定中展示了两种方法的优劣，并在三个标准基准数据集 miniImageNet、tieredImageNet 和 Caltech-UCSD-Birds-200-2011 上评估它们，其在少样本多类开集与少样本一类任务上均超越了 SOTA 方法。
引用
@article{arxiv.2109.06859,
title = {One-Class Meta-Learning: Towards Generalizable Few-Shot Open-Set Classification},
author = {Jedrzej Kozerawski and Matthew Turk},
journal= {arXiv preprint arXiv:2109.06859},
year = {2021}
}
备注
21 pages, submitted to BMVC 2021