重新审视小样本图像分类中的度量学习
计算机视觉与模式识别
2020-04-17 v2
摘要
小样本学习的目标是利用每类仅少量标注样本来识别新的视觉概念。近期有效的基于度量的小样本方法采用神经网络来学习查询样本与支持样本之间的特征相似性比较。然而,特征嵌入的重要性,即探索训练样本间的关系,被忽视了。在本工作中,我们通过强调特征嵌入的重要性,提出了一个简单而强大的小样本分类基线。具体而言,我们重新审视了深度度量学习中的经典三元组网络,并将其扩展为用于小样本学习的深度 K 元组网络,利用输入样本间的关系通过情景训练(episode-training)学习通用表示。一旦训练完成,我们的网络能够为未见的新类别提取判别性特征,并可无缝结合非线性距离度量函数以促进小样本分类。我们在 miniImageNet 基准上的结果优于其他基于度量的小样本分类方法。更重要的是,当使用在 miniImageNet 上训练的模型在完全不同的数据集(Caltech-101、CUB-200、Stanford Dogs 和 Cars)上评估时,我们的方法显著优于先前方法,展示了其泛化到未见类的优越能力。
引用
@article{arxiv.1907.03123,
title = {Revisiting Metric Learning for Few-Shot Image Classification},
author = {Xiaomeng Li and Lequan Yu and Chi-Wing Fu and Meng Fang and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1907.03123},
year = {2020}
}
备注
Accept at Neurocomputing