利用无标签数据提升相关与开放集无关图像的低样本分类准确率
计算机视觉与模式识别
2022-06-07 v2 机器学习
摘要
在使用自主地面车辆执行的搜索、勘探和侦察任务中，需要一种图像分类能力，用于具体识别目标对象（相关类别），同时识别候选图像不属于任一相关类别的情况（无关图像）。在本文中，我们提出一种开放集低样本分类器，其在训练过程中对每一相关类别使用少量（少于 40 张）有标签图像，以及在每个训练周期随机选取的无标签无关图像。该新分类器能够识别来自相关类别的图像，判断候选图像是否无关，并进一步识别训练中未包含（未见）的无关图像类别。所提出的低样本分类器在构建卷积神经网络（CNN）时可作为一个顶层附加到任何预训练的特征提取器上。
引用
@article{arxiv.2010.00721,
title = {Using Unlabeled Data for Increasing Low-Shot Classification Accuracy of Relevant and Open-Set Irrelevant Images},
author = {Spiridon Kasapis and Geng Zhang and Jonathon Smereka and Nickolas Vlahopoulos},
journal= {arXiv preprint arXiv:2010.00721},
year = {2022}
}