用于少样本学习的可训练类原型
计算机视觉与模式识别
2021-06-22 v1 人工智能
机器学习
摘要
度量学习是少样本学习中广泛使用的方法，其中原型的质量在算法中起关键作用。本文提出在元训练与任务训练框架下使用可训练原型进行距离度量，以替代人工原型。同时，为避免情景式元训练带来的弊端，我们采用基于自监督学习的非情景式元训练。总体上，我们分两个阶段解决少样本任务：通过自监督学习元训练可迁移的特征提取器，以及训练用于度量分类的原型。此外，在元训练与任务训练中均使用了简单的注意力机制。我们的方法在标准少样本视觉分类数据集上的多种既定少样本任务中取得了最先进的性能，相较已有的无监督少样本学习方法约有20%的提升。
引用
@article{arxiv.2106.10846,
title = {Trainable Class Prototypes for Few-Shot Learning},
author = {Jianyi Li and Guizhong Liu},
journal= {arXiv preprint arXiv:2106.10846},
year = {2021}
}
备注
8 pages, 2 figures,and 3 Tables. arXiv admin note: substantial text overlap with arXiv:2008.09942