用于少样本学习的幂次归一化二阶相似性网络
计算机视觉与模式识别
2018-11-13 v1
摘要
数据点的二阶及更高阶统计量在推进细粒度图像与场景识别等若干计算机视觉问题的技术水平方面发挥了重要作用。然而，这些统计量需要经过适当的池化方案才能获得最佳性能。幂次归一化 (Power Normalizations) 是受概率启发推导的非线性激活单元，可应用于 CNN 中。本文中，我们提出一种利用二阶信息与幂次归一化的相似性学习网络。为此，我们提出若干捕获二阶统计量的公式，并推导类 sigmoid 的幂次归一化函数以展示其可解释性。我们的模型以端到端方式训练，以学习支持集与查询图像之间针对单样本与少样本学习问题的相似性。在 Omniglot、miniImagenet 和 Open MIC 数据集上的评估表明，该网络在多个少样本学习协议上取得了最先进的结果。
引用
@article{arxiv.1811.04167,
title = {Power Normalizing Second-order Similarity Network for Few-shot Learning},
author = {Hongguang Zhang and Piotr Koniusz},
journal= {arXiv preprint arXiv:1811.04167},
year = {2018}
}