ReMP:面向少样本学习的修正度量传播
计算机视觉与模式识别
2020-12-03 v1 机器学习
摘要
少样本学习具有从少量样本中泛化的能力。本文首先指出,一个判别性的特征空间,即所学得用以保持从训练到测试度量一致性的修正度量空间,是基于度量的少样本学习成功的关键组成部分。大量分析表明,对目标函数进行简单修改即可带来显著的性能提升。所得方法称为修正度量传播(ReMP),其进一步优化了一个注意力原型传播网络,并施加斥力以做出置信预测。大量实验表明,所提出的 ReMP 有效且高效,并在多个标准少样本学习数据集上优于当前最优方法。
引用
@article{arxiv.2012.00904,
title = {ReMP: Rectified Metric Propagation for Few-Shot Learning},
author = {Yang Zhao and Chunyuan Li and Ping Yu and Changyou Chen},
journal= {arXiv preprint arXiv:2012.00904},
year = {2020}
}
备注
Tech Report, 11 pages