面向少样本学习的图像嵌入优化
计算机视觉与模式识别
2020-04-07 v1 机器学习
摘要
本文改进了少样本学习图神经网络解中生成的图像嵌入。我们针对 Inception-Net、U-Net、Attention U-Net 与 Squeeze-Net 等现有网络提出替代架构以生成嵌入并提升模型准确率。我们以生成嵌入所需时间为代价，改善了所创建嵌入的质量。所提出的实现在 Omniglot 数据集上以 1-shot 与 5-shot 学习超越了现有的 SOTA 方法。实验涉及的测试集与训练集之间无共同类别。5-way 与 10-way/20-way 测试的结果已列表给出。
引用
@article{arxiv.2004.02034,
title = {Optimization of Image Embeddings for Few Shot Learning},
author = {Arvind Srinivasan and Aprameya Bharadwaj and Manasa Sathyan and S Natarajan},
journal= {arXiv preprint arXiv:2004.02034},
year = {2020}
}
备注
6 pages, 8 figures