ReMarNet：面向小样本图像分类的联合关系与边界学习
计算机视觉与模式识别
2020-06-30 v1
摘要
尽管取得了最先进的性能，深度学习方法通常在训练期间需要大量标注数据，并且在样本量较小时可能遭受过拟合。为确保深度网络在小样本量下的良好泛化能力，学习判别性特征至关重要。为此，已有若干损失函数被提出以鼓励大的类内紧致性和类间可分离性。在本文中，我们提出从新视角增强特征的判别能力，引入一种称为关系与边界学习网络（ReMarNet）的新型神经网络。我们的方法组装两个不同骨干的网络，以学习能在该前述两种分类机制中均表现优异的特征。具体而言，关系网络用于学习与类原型间相似性进行分类所支持的特征；同时，带交叉熵损失的全连接网络通过决策边界进行分类。在四个图像数据集上的实验表明，我们的方法能有效地从小规模标注样本中学习判别性特征，并取得了与最先进方法相竞争的性能。代码见 https://github.com/liyunyu08/ReMarNet。
引用
@article{arxiv.2006.15366,
title = {ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification},
author = {Xiaoxu Li and Liyun Yu and Xiaochen Yang and Zhanyu Ma and Jing-Hao Xue and Jie Cao and Jun Guo},
journal= {arXiv preprint arXiv:2006.15366},
year = {2020}
}
备注
IEEE TCSVT 2020