RankDNN：面向小样本学习的排序学习网络
计算机视觉与模式识别
2022-11-30 v2
摘要
本文提出了一种新的小样本学习流程，将图像检索中的相关性排序转化为二值排序关系分类。与图像分类相比，排序关系分类具有样本高效和领域无关的特点。此外，它为小样本学习提供了新的视角，并与现有最先进方法互补。我们深度神经网络的核心组件是一个简单的多层感知机（MLP），其输入为编码为两个向量克罗内克积之差的图像三元组，输出为二值相关性排序顺序。所提出的 RankMLP 可构建在任何最先进的特征提取器之上，我们整个深度神经网络称为排序深度神经网络，即 RankDNN。同时，RankDNN 可以灵活地与其他后处理方法融合。在元测试阶段，RankDNN 根据支持图像与查询样本的相似度对其进行排序，每个查询样本被赋予其最近邻的类别标签。实验表明，RankDNN 能够基于多种骨干网络有效提升其基线的性能，并在多个小样本学习基准测试（包括 miniImageNet、tieredImageNet、Caltech-UCSD Birds 和 CIFAR-FS）上超越了先前最先进的算法。此外，跨领域挑战实验证明了 RankDNN 优越的可迁移性。代码可在以下链接获取：https://github.com/guoqianyu-alberta/RankDNN。
引用
@article{arxiv.2211.15320,
title = {RankDNN: Learning to Rank for Few-shot Learning},
author = {Qianyu Guo and Hongtong Gong and Xujun Wei and Yanwei Fu and Weifeng Ge and Yizhou Yu and Wenqiang Zhang},
journal= {arXiv preprint arXiv:2211.15320},
year = {2022}
}
备注
12 pages, 4 figures. Accepted to AAAI2023. The code is available at: https://github.com/guoqianyu-alberta/RankDNN