基于相似性迁移的弱样本细粒度分类
计算机视觉与模式识别
2021-10-26 v2
摘要
识别细粒度类别仍是一项具有挑战性的任务，因为不同从属类别间差异细微，导致需要大量标注样本。为缓解数据匮乏问题，我们考虑从网络数据中学习新类别、并以一组干净的基类别集合作为支撑的问题，称为弱样本学习（weak-shot learning）。在该设定下，我们提出一种称为 SimTrans 的方法，将成对语义相似性从基类别迁移到新类别。具体而言，我们首先在干净数据上训练相似性网络，然后利用迁移得到的相似性通过两种简单而有效的策略为网络训练数据去噪。此外，我们在相似性网络上施加对抗损失以增强相似性的可迁移性。综合实验证明了我们的弱样本设定及 SimTrans 方法的有效性。数据集与代码可在 https://github.com/bcmi/SimTrans-Weak-Shot-Classification 获取。
引用
@article{arxiv.2009.09197,
title = {Weak-shot Fine-grained Classification via Similarity Transfer},
author = {Junjie Chen and Li Niu and Liu Liu and Liqing Zhang},
journal= {arXiv preprint arXiv:2009.09197},
year = {2021}
}
备注
accepted by NeurIPS2021