最坏情况对少样本识别至关重要
计算机视觉与模式识别
2022-07-26 v2 人工智能
摘要
少样本识别以每类极少（如 1 或 5）图像学习识别模型，当前少样本学习方法聚焦于提升多轮 episode 上的平均准确率。我们认为，在实际应用中往往只尝试一轮 episode 而非多轮，因此最大化最坏情况准确率比最大化平均准确率更为重要。我们通过实验表明，高平均准确率未必意味着高最坏情况准确率。由于该目标不可直接获取，我们提出同时降低标准差并提升平均准确率。进而，从偏差-方差权衡视角设计两种策略以隐式达成此目标：一个简单而有效的稳定性正则化（SR）损失结合模型集成以降低微调中的方差，以及一种适应性校准机制以降低偏差。在基准数据集上的大量实验证明了所提策略的有效性，其在平均与最坏情况准确率上均以显著优势超越当前最先进方法。我们的代码发布于 https://github.com/heekhero/ACSR。
引用
@article{arxiv.2203.06574,
title = {Worst Case Matters for Few-Shot Recognition},
author = {Minghao Fu and Yun-Hao Cao and Jianxin Wu},
journal= {arXiv preprint arXiv:2203.06574},
year = {2022}
}
备注
Accepted by ECCV2022