从多域表示中选择相关特征用于少样本分类
计算机视觉与模式识别
2020-07-21 v2
摘要
少样本分类的流行方法包括：首先基于大型标注数据集学习通用数据表示，然后在仅给定少量标注样本的情况下将该表示适配到新类别。本工作中，我们提出了一种基于特征选择的新策略，其比以往的特征适配方法更简单且更有效。首先，我们通过训练一组语义不同的特征提取器获得多域表示。然后，给定一个少样本学习任务，我们利用多域特征库自动选择最相关的表示。我们表明，构建于此类特征之上的简单非参数分类器能产生高准确率，并泛化到训练期间从未见过的域，从而在 MetaDataset 上取得最先进（state-of-the-art, SOTA）结果，并在 mini-ImageNet 上提升准确率。
引用
@article{arxiv.2003.09338,
title = {Selecting Relevant Features from a Multi-domain Representation for Few-shot Classification},
author = {Nikita Dvornik and Cordelia Schmid and Julien Mairal},
journal= {arXiv preprint arXiv:2003.09338},
year = {2020}
}
备注
ECCV'20