面向少样本学习的原型校正
计算机视觉与模式识别
2020-07-14 v4
摘要
少样本学习需要用稀缺标注数据识别新类别。原型网络在现有研究中很有用，然而在稀缺数据的窄规模分布上训练通常倾向于得到有偏原型。本文中，我们指出了该过程的两个关键影响因素：类内偏差与类间偏差。随后我们提出一种简单而有效的直推式设定下原型校正方法。该方法利用标签传播减小类内偏差，并利用特征偏移减小类间偏差。我们还进行理论分析以推导其合理性及性能下界。在三个少样本基准上的有效性得到展示。值得注意的是，我们的方法在 miniImageNet（1-shot 70.31%，5-shot 81.89%）与 tieredImageNet（1-shot 78.74%，5-shot 86.92%）上均取得最先进（SOTA）性能。
引用
@article{arxiv.1911.10713,
title = {Prototype Rectification for Few-Shot Learning},
author = {Jinlu Liu and Liang Song and Yongqiang Qin},
journal= {arXiv preprint arXiv:1911.10713},
year = {2020}
}
备注
ECCV 2020 Oral