自增强：将深度网络泛化至未见类别以用于少样本学习
机器学习
2021-03-02 v3 计算机视觉与模式识别
机器学习
摘要
少样本学习旨在利用少量训练样本对未见类别进行分类。尽管近期研究表明，采用精心设计的训练策略进行标准小批量训练可提升对未见类别的泛化能力，但深度网络中诸如记忆训练统计量等众所周知的问题在少样本学习中较少被探讨。为解决此问题，我们提出自增强方法，其整合了自混合与自蒸馏。具体而言，我们采用一种称为自混合的区域丢弃技术，将图像中的一块区域替换为同一图像中的其他数值。随后，我们采用带有辅助分支及其自身分类器的骨干网络以强制知识共享。最后，我们提出一种局部表示学习器，以进一步利用少量训练样本处理未见类别。实验结果表明，所提方法在主流少样本基准上优于最先进的方法，并提升了泛化能力。
引用
@article{arxiv.2004.00251,
title = {Self-Augmentation: Generalizing Deep Networks to Unseen Classes for Few-Shot Learning},
author = {Jin-Woo Seo and Hong-Gyu Jung and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2004.00251},
year = {2021}
}
备注
The first two authors contributed equally to this work