重思类关系：绝对-相对监督与无监督少样本学习
计算机视觉与模式识别
2021-06-10 v4
摘要
现有多数少样本学习方法用二元标签描述图像关系。然而，由于缺乏决策平滑性，此类二元关系不足以教会网络复杂的现实世界关系。此外，当前少样本学习模型仅通过关系标签捕捉相似性，却未接触到与对象关联的类概念，由于可用类标签未被充分利用，这可能不利于分类性能。换言之，儿童既从少数真实样本中、也从虎与其他动物的比较中学习虎的概念。因此，我们假设事实上相似性学习与类概念学习必须同时发生。基于这些观察，我们研究当前少样本学习方法中类建模过于简单这一根本问题。我们重新思考类概念之间的关系，并提出一种新颖的绝对-相对学习范式，以充分利用标签信息来精炼图像表示并纠正监督与无监督场景下的关系理解。我们提出的范式在公开可用数据集上提升了若干最先进（SOTA）模型的性能。
引用
@article{arxiv.2001.03919,
title = {Rethinking Class Relations: Absolute-relative Supervised and Unsupervised Few-shot Learning},
author = {Hongguang Zhang and Piotr Koniusz and Songlei Jian and Hongdong Li and Philip H. S. Torr},
journal= {arXiv preprint arXiv:2001.03919},
year = {2021}
}
备注
IEEE/CVF Conference on Computer Vision and Pattern Recognition 2021