面向少样本学习的张量特征幻构
计算机视觉与模式识别
2022-01-05 v2
摘要
少样本学习旨在解决在仅有有限监督且数据也有限的情况下学习如何处理新任务的挑战。一个颇具吸引力的解决方案是合成数据生成。然而，此类方法大多过于复杂，侧重于输入空间中高质量、逼真的数据。目前尚不清楚将它们适配到少样本场景并用于下游分类任务是否是正确的思路。先前关于少样本分类的合成数据生成工作侧重于利用复杂模型，例如带有多个正则化项的 Wasserstein GAN，或将在已知类别与新颖类别之间迁移潜在多样性的网络。我们采取了不同的思路，探究如何有效使用一种简单直接的合成数据生成方法。我们做出了两点贡献，即表明：(1) 在少样本设定下训练特征生成器，使用简单的损失函数已绰绰有余；(2) 学习生成张量特征而非向量特征更优。在 miniImagenet、CUB 和 CIFAR-FS 数据集上的大量实验表明，我们的方法刷新了当前最优水平，优于更为复杂的少样本数据增强方法。源代码可在 https://github.com/MichalisLazarou/TFH_fewshot 获取。
引用
@article{arxiv.2106.05321,
title = {Tensor feature hallucination for few-shot learning},
author = {Michalis Lazarou and Tania Stathaki and Yannis Avrithis},
journal= {arXiv preprint arXiv:2106.05321},
year = {2022}
}
备注
Accepted at WACV 2022. arXiv admin note: text overlap with arXiv:2104.09467