面向跨域少样本分类的优化通用特征学习
计算机视觉与模式识别
2020-01-23 v1
摘要
学习能够跨任务和跨域泛化的模型或特征是机器学习的一大目标。在本文中，我们提出使用跨域、跨任务数据作为超参数优化（HPO）的验证目标，以推进这一目标。给定足够丰富的搜索空间，超参数的优化学习出使验证性能最大化的特征，并且由于该目标，这些特征能够跨任务和跨域泛化。我们在域内和跨域的少样本图像分类上证明了该策略的有效性。所学特征优于所有先前的少样本和元学习方法。
引用
@article{arxiv.2001.07926,
title = {Optimized Generic Feature Learning for Few-shot Classification across Domains},
author = {Tonmoy Saikia and Thomas Brox and Cordelia Schmid},
journal= {arXiv preprint arXiv:2001.07926},
year = {2020}
}