分段分类器映射：用少量样本为细粒度新类别学习精细学习者
计算机视觉与模式识别
2019-10-02 v2
摘要
人类能够以极少的监督学习新的细粒度概念，例如某类鸟的几张示例图像，而我们最佳的深度学习系统却需要数百或数千张标注样本。本文中，我们试图通过研究极具挑战性的少样本学习设定下的细粒度图像识别问题，即少样本细粒度识别（FSFG），来缩小这一差距。FSFG 任务要求学习系统从极少样本（仅一张或少于五张）中为新颖细粒度类别构建分类器。为解决该问题，我们提出了一种端到端可训练深度网络，其受最先进细粒度识别模型启发并为 FSFG 任务量身定制。具体而言，我们的网络由双线性特征学习模块与分类器映射模块组成：前者将示例图像的可判别信息编码为特征向量，后者将中间特征映射为新类别的决策边界。我们模型的关键新颖之处在于分类器映射模块中的“分段映射”函数，其通过以更参数经济的方式学习一组更易获得的子分类器来生成决策边界。我们基于辅助数据集以元学习方式来学习示例到分类器的映射，期望其能泛化至新类别。通过在三个细粒度数据集上的综合实验，我们证明了所提方法优于对比基线。
引用
@article{arxiv.1805.04288,
title = {Piecewise classifier mappings: Learning fine-grained learners for novel categories with few examples},
author = {Xiu-Shen Wei and Peng Wang and Lingqiao Liu and Chunhua Shen and Jianxin Wu},
journal= {arXiv preprint arXiv:1805.04288},
year = {2019}
}
备注
Accepted by IEEE TIP