用于少样本分类的转导解耦变分推断
计算机视觉与模式识别
2022-08-24 v1
摘要
从少量样本中学习的能力是人类智能的标志。少样本学习旨在将这种能力赋予机器。受概率深度学习的潜力与威力的启发，我们提出一种用于少样本分类的新型变分推断网络（称为 TRIDENT），将图像表征解耦为语义潜变量与标签潜变量，并以交织方式同时推断二者。为引入任务感知，作为 TRIDENT 推断机制的一部分，我们利用少样本任务的查询图像与支持图像之间的信息，通过一种新颖的内置基于注意力的转导特征提取模块（称为 AttFEX）。我们大量的实验结果证实了 TRIDENT 的有效性，并表明使用最简骨干网络，它在最常用数据集 miniImageNet 和 tieredImageNet（分别带来高达 4% 和 5% 的提升）以及近期具有挑战性的跨域 miniImagenet --> CUB 场景（相较最佳现有跨域基线有显著优势，高达 20% 提升）上均树立了新 SOTA。代码与实验见我们的 GitHub 仓库：https://github.com/anujinho/trident
引用
@article{arxiv.2208.10559,
title = {Transductive Decoupled Variational Inference for Few-Shot Classification},
author = {Anuj Singh and Hadi Jamali-Rad},
journal= {arXiv preprint arXiv:2208.10559},
year = {2022}
}