PARN：用于少样本学习的位姿感知关系网络
计算机视觉与模式识别
2019-09-11 v1
摘要
少样本学习面临一项挑战：分类器必须快速适应训练集中未出现的新类别，且每新类仅给定少量标注样本。本文提出位姿感知关系网络（PARN）以学习更灵活、鲁棒的度量能力用于少样本学习。关系网络（RN）作为一种关系推理架构，仅被设计为简单卷积神经网络（CNN）[23]即可获得图像的深度度量能力。然而，由于CNN固有的局部连接性，基于CNN的关系网络（RN）对两幅比较图像中语义目标的空间位置关系敏感。为解决此问题，我们引入可变形特征提取器（DFE）以提取更高效特征，并设计双相关注意力机制（DCA）来处理其固有局部连接性。我们提出的方法仅引入少量参数即成功拓展了RN感知语义目标位置的潜力。我们在两个主要基准数据集Omniglot和Mini-Imagenet上评估了方法，在两者上均以浅层特征提取网络的设定取得了最先进（state-of-the-art）性能。值得注意的是，我们在Omniglot上的5-way 1-shot结果甚至优于以往的5-way 5-shot结果。
引用
@article{arxiv.1909.04332,
title = {PARN: Position-Aware Relation Networks for Few-Shot Learning},
author = {Ziyang Wu and Yuwei Li and Lihua Guo and Kui Jia},
journal= {arXiv preprint arXiv:1909.04332},
year = {2019}
}