重新思考少样本学习中的度量：从自适应多距离视角出发
计算机视觉与模式识别
2022-11-03 v1
摘要
少样本学习问题关注在给定少量标注图像的情况下识别未见过的类别。在近期的研究中，更多的注意力被放在细粒度特征嵌入上，而忽略了不同距离度量之间的关系。本文首次研究了不同距离度量的贡献，并提出了一种自适应融合方案，在少样本分类中带来了显著提升。我们从一个朴素的置信度求和基线出发，论证了利用不同距离度量互补性的必要性。通过发现它们之间的竞争问题，我们在该基线上提出了自适应度量模块（AMM），将度量融合解耦为度量-预测融合与度量-损失融合。前者鼓励相互互补，而后者通过多任务协同学习缓解度量竞争。基于 AMM，我们设计了一个少样本分类框架 AMTNet，包含 AMM 与全局自适应损失（GAL），以联合优化少样本任务与辅助自监督任务，使嵌入特征更加鲁棒。实验中，所提出的 AMM 比朴素度量融合模块性能高出 2%，且我们的 AMTNet 在多个基准数据集上优于当前最优方法（SOTA）。
引用
@article{arxiv.2211.00890,
title = {Rethinking the Metric in Few-shot Learning: From an Adaptive Multi-Distance Perspective},
author = {Jinxiang Lai and Siqian Yang and Guannan Jiang and Xi Wang and Yuxi Li and Zihui Jia and Xiaochen Chen and Jun Liu and Bin-Bin Gao and Wei Zhang and Yuan Xie and Chengjie Wang},
journal= {arXiv preprint arXiv:2211.00890},
year = {2022}
}