TAFE-Net：面向小样本学习的任务感知特征嵌入
计算机视觉与模式识别
2019-04-15 v1 人工智能
摘要
为图像学习良好的特征嵌入通常需要大量训练数据。因此，在训练数据有限的设置下（例如小样本学习和零样本学习），我们通常被迫在各种任务间使用通用的特征嵌入。理想情况下，我们希望构建针对给定任务微调的特征嵌入。在本文中，我们提出任务感知特征嵌入网络（TAFE-Nets），以元学习的方式学习如何将图像表示适应到新任务。我们的网络由一个元学习器和一个预测网络组成。基于任务输入，元学习器为预测网络中的特征层生成参数，以便可以针对该任务准确调整特征嵌入。我们证明了 TAFE-Net 在泛化到新任务或概念方面非常有效，并在一系列零样本和小样本学习的基准上对 TAFE-Net 进行了评估。我们的模型在所有任务上均达到或超过了现有最高水平。特别地，在具有挑战性的视觉属性-目标组合任务中，我们的方法将未见属性-目标对的预测准确率提高了 4 到 15 个百分点。
引用
@article{arxiv.1904.05967,
title = {TAFE-Net: Task-Aware Feature Embeddings for Low Shot Learning},
author = {Xin Wang and Fisher Yu and Ruth Wang and Trevor Darrell and Joseph E. Gonzalez},
journal= {arXiv preprint arXiv:1904.05967},
year = {2019}
}
备注
Accepted at CVPR 2019