通过学会还原原型进行单样本图像分类
计算机视觉与模式识别
2020-05-05 v1 机器学习
摘要
单样本图像分类旨在仅使用每类一张图像的数据集来训练图像分类器。这对通常每类需要数百或数千张图像的现代深度神经网络而言具有挑战性。在本文中，我们采用度量学习来解决此问题，该方法已通过比较测试图像与特征空间中每类中心的距离应用于少样本与多样本图像分类。然而，对于单样本学习，现有度量学习方法会因单张训练图像可能不具类代表性而性能不佳。例如，若该图像在特征空间中远离类中心，基于度量学习的算法不太可能对测试图像做出正确预测，因为决策边界被此噪声图像偏移。为解决此问题，我们提出一个简单而有效的回归模型，记为 RestoreNet，它学习一个类无关的变换作用于图像特征，使图像在特征空间中更靠近类中心。实验表明 RestoreNet 在广泛的数据集上优于最先进的方法。此外，RestoreNet 可轻易与其他方法结合以实现进一步提升。
引用
@article{arxiv.2005.01234,
title = {One-Shot Image Classification by Learning to Restore Prototypes},
author = {Wanqi Xue and Wei Wang},
journal= {arXiv preprint arXiv:2005.01234},
year = {2020}
}
备注
Published as a conference paper in AAAI 2020