RepMet：基于表征的度规学习用于分类与单样本目标检测
计算机视觉与模式识别
2018-11-20 v3
摘要
距离度规学习（DML）已成功应用于对象分类，无论是在具有丰富训练数据的标准场景，还是在少样本场景中（每类仅由少量样本表示）。在本工作中，我们提出一种新的 DML 方法，在单一的端到端训练过程中同时学习骨干网络参数、嵌入空间以及各训练类别在该空间中的多模态分布。我们的方法在多种标准细粒度数据集上优于基于 DML 的对象分类的最先进方法。此外，我们将所提 DML 架构作为分类头整合进标准目标检测模型，证明了我们的方法在少样本目标检测问题上的有效性。在仅有少量训练样本可用时，我们在 ImageNet-LOC 数据集上相比强基线取得了最佳结果。我们还为社区提供了一个基于 ImageNet 数据集的少样本目标检测任务的新 episodic 基准。
引用
@article{arxiv.1806.04728,
title = {RepMet: Representative-based metric learning for classification and one-shot object detection},
author = {Leonid Karlinsky and Joseph Shtok and Sivan Harary and Eli Schwartz and Amit Aides and Rogerio Feris and Raja Giryes and Alex M. Bronstein},
journal= {arXiv preprint arXiv:1806.04728},
year = {2018}
}