用于少样本学习及更广任务的强化注意力
计算机视觉与模式识别
2021-04-12 v1
摘要
少样本学习旨在给定有限数量的支持样本下，正确识别来自未见类别的查询样本，通常依赖于图像的全局嵌入。本文中，我们提出为主干网络配备一个由强化学习训练的注意力智能体。采用策略梯度算法训练该智能体，使其随时间自适应地定位特征图上的代表性区域。我们进一步基于留出数据的预测设计奖励函数，从而帮助注意力机制在未见类别上更好地泛化。大量实验表明，在强化注意力的辅助下，我们的嵌入网络具备在少样本学习中逐步生成更具判别性表示的能力。此外，图像分类任务的实验也显示了所提设计的有效性。
引用
@article{arxiv.2104.04192,
title = {Reinforced Attention for Few-Shot Learning and Beyond},
author = {Jie Hong and Pengfei Fang and Weihao Li and Tong Zhang and Christian Simon and Mehrtash Harandi and Lars Petersson},
journal= {arXiv preprint arXiv:2104.04192},
year = {2021}
}