面向少样本学习的原型补全
计算机视觉与模式识别
2021-08-21 v1
摘要
少样本学习旨在用少量样本识别新类别。基于预训练的方法通过预训练特征提取器并随后通过基于最近质心的元学习微调来有效解决该问题。然而，结果表明微调步骤带来的改进甚微。在本文中，1）我们查明原因，即在预训练特征空间中，基类别已形成紧凑簇，而新类别以大体量方差的组散布，这意味着微调特征提取器意义不大；2）我们聚焦于估计更具代表性的原型，而非微调特征提取器。据此，我们提出一种新颖的基于原型补全的元学习框架。该框架首先引入原始知识（即类级部件或属性标注），并提取可见属性的代表性特征作为先验。其次，设计部件/属性迁移网络以学习推断不可见属性的代表性特征作为补充先验。最后，设计原型补全网络以学习利用这些先验补全原型。此外，为避免原型补全误差，我们进一步提出一种基于高斯的原型融合策略，通过利用无标签样本融合基于均值与补全的原型。大量实验表明，我们的方法：（i）获得更精确的原型；（ii）在归纳与转导少样本学习设定下均取得优越性能。
引用
@article{arxiv.2108.05010,
title = {Prototype Completion for Few-Shot Learning},
author = {Baoquan Zhang and Xutao Li and Yunming Ye and Shanshan Feng},
journal= {arXiv preprint arXiv:2108.05010},
year = {2021}
}
备注
Extended version of 'Prototype Completion with Primitive Knowledge for Few-Shot Learning' in CVPR2021. arXiv admin note: substantial text overlap with arXiv:2009.04960