面向干净与含噪样本、语义驱动的注意力少样本学习
计算机视觉与模式识别
2023-02-06 v2
摘要
在过去几年中,少样本学习(FSL)因致力于减少对带标签训练样本的依赖而备受关注。FSL 的一个固有困难在于每类仅有极少训练样本所带来的歧义处理。为应对这一 FSL 中的根本挑战,我们旨在训练元学习器模型,使其能利用关于新类别的先验语义知识来指导分类器合成过程。具体而言,我们提出语义条件化的特征注意力与样本注意力机制,用以估计表示维度与训练实例的重要性。我们还研究了 FSL 中的样本噪声问题,以推动元学习器在更真实且不完美的场景中的应用。实验结果表明,所提出的语义 FSL 模型在有无样本噪声的情况下均有效。
引用
@article{arxiv.2201.03043,
title = {Semantics-driven Attentive Few-shot Learning over Clean and Noisy Samples},
author = {Orhun Buğra Baran and Ramazan Gökberk Cinbiş},
journal= {arXiv preprint arXiv:2201.03043},
year = {2023}
}
备注
25 pages, 4 figures