面向少样本目标分类中的上下文学习
计算机视觉与模式识别
2021-01-05 v3
摘要
少样本学习（Few-shot Learning, FSL）旨在从少量样本中分类新概念。尽管过去几年中关于少样本目标分类的工作越来越多，当前大多数方法局限于仅含一个居中物体的图像。相反，人类能够利用先验知识快速学习新概念，例如与上下文元素的语义关系。受教育科学中上下文学习概念的启发，我们提议通过研究在低数据体制下上下文在目标分类中可作出的贡献，朝在 FSL 中采纳该原则迈出一步。为此，我们首先提出一种在复杂场景图像上执行 FSL 的方法。我们开发了两种即插即用模块，可融入现有 FSL 方法中使其利用上下文学习。更具体地说，这些模块被训练为在学习特定概念时对最重要的上下文元素加权，然后利用该知识将视觉类别表示锚定于上下文语义中。在 Visual Genome 和 Open Images 上的大量实验显示了上下文学习相对于孤立学习单个物体的优越性。
引用
@article{arxiv.1912.06679,
title = {Towards Contextual Learning in Few-shot Object Classification},
author = {Mathieu Pagé Fortin and Brahim Chaib-draa},
journal= {arXiv preprint arXiv:1912.06679},
year = {2021}
}
备注
Accepted to WACV 2021