SENet：一种用于少样本学习表征范例的谱滤波方法
计算机视觉与模式识别
2024-02-23 v2
摘要
原型被广泛用于表征少样本学习中类别的内部结构，其作为一种简单的归纳偏置被提出以解决过拟合问题。然而，由于原型表征通常由个体样本平均得到，它可恰当表征某些类，但对另一些能更好由范例表征的类则存在欠拟合。为解决该问题，本文提出用于少样本分类的收缩范例网络（SENet）。在 SENet 中，类别由通过谱滤波向其均值收缩的样本嵌入来表征。此外，提出一种收缩范例损失以替代广泛使用的交叉熵损失，从而捕获个体收缩样本的信息。在 miniImageNet、tiered-ImageNet 与 CIFAR-FS 数据集上进行了若干实验，实验结果证明了所提方法的有效性。
引用
@article{arxiv.2305.18970,
title = {SENet: A Spectral Filtering Approach to Represent Exemplars for Few-shot Learning},
author = {Tao Zhang and Wu Huang},
journal= {arXiv preprint arXiv:2305.18970},
year = {2024}
}