基于注意力相似网络的弱监督单样本检测
机器学习
2018-06-28 v3 机器学习
摘要
未以类别身份为条件的神经网络模型已被证明能够促进类间知识迁移，并非常适合单样本学习任务。遵循这一动机，我们进一步探索并确立此类模型，并提出一种用于弱监督单样本检测任务的新型神经网络架构。我们的模型仅以未见类别的单个样本以及可能包含或不包含与该样本同类别实例的较大目标样本为条件。通过将 Siamese 相似网络与注意力机制配对，我们设计了一个能够同时识别并定位训练时未见类别实例的模型。在计算机视觉与音频领域数据集的实验中，所提方法在弱监督单样本检测任务上显著优于基线方法。
引用
@article{arxiv.1801.03329,
title = {Weakly Supervised One-Shot Detection with Attention Similarity Networks},
author = {Gil Keren and Maximilian Schmitt and Thomas Kehrenberg and Björn Schuller},
journal= {arXiv preprint arXiv:1801.03329},
year = {2018}
}