RNNP：一种鲁棒的小样本学习方法
计算机视觉与模式识别
2020-11-24 v1
摘要
从少量样本中学习是训练分类器的一个重要实用方面。已有诸多工作对此作了充分探讨。然而，所有现有方法都假定所提供的少量样本始终被正确标注。这是一个强假设，尤其考虑到当前利用众包标注服务进行标注的技术。我们通过提出一种新颖的鲁棒小样本学习方法来解决此问题。我们的方法依赖于从少量样本集中生成鲁棒原型。具体而言，该方法通过由每类的支撑样本生成混合特征来精炼类原型。精炼后的原型有助于更好地分类查询图像。我们的方法可替换任何使用基于最近邻原型的评估流程的小样本学习方法的评估阶段，使其具备鲁棒性。我们在标准 mini-ImageNet 与 tiered-ImageNet 数据集上评估方法，并在小样本类的支撑样本中设置不同标注损坏率进行实验。相较于在标签噪声下性能显著退化的广泛使用的小样本学习方法，我们取得了显著提升。最后我们给出大量消融实验以验证方法。
引用
@article{arxiv.2011.11067,
title = {RNNP: A Robust Few-Shot Learning Approach},
author = {Pratik Mazumder and Pravendra Singh and Vinay P. Namboodiri},
journal= {arXiv preprint arXiv:2011.11067},
year = {2020}
}
备注
Accepted in WACV 2021