小样本学习【一】论文分享:Few-Shot Learning via Embedding Adaptation
论文:Han-Jia Ye, Hexiang Hu, De-Chuan Zhan, Fei Sha. Few-Shot Learning via Embedding Adaptation with Set-to-Set Functions. CVPR, 2020
在深度学习时代,基于少量数据学习视觉模型具有非常强大的挑战性。目前大部分小样本学习方法都是基于已知类数据学习视觉模型,然后迁移到新的小样本数据中。这类方法学习的是一个通用模型,没有针对目标任务进行特定的学习,因此在是配到不同目标任务上表现不佳。这篇文章提出了基于集合学习的方法,通过构建集合内部不同任务之间的相关性,学习基于任务的空间映射,从而大大提高在目标任务上识别的准确性。这篇文章的创新点主要包含三个方面:
(1)学习基于任务的模型,通过集合自适应方法对通用模型进行迁移,从而提高在目标任务上的性能。
(2)本文尝试了不同的集合自适应方法,并进行性能评估,最终确定基于transformer的效果最好。
(3)基于模型自适应的方法在不同的小样本学习任务中,表现出了优越的性能。
本文的主要框架下图所示。传统的小样本学习方法(a)主要学习图像的特征映射,让后基于最近邻方法对测试图像进行分类。由于该特征提取模型是通用的,没有针对目标任务进行特定的设计,在应用到不同新任务过程中可能表现不佳。本文提出的方法(b)主要学习不同分类任务之间的相关性,通过集合自适应方法,对特征提取模型进行适配,学习与目标任务相关的特征,使其适应到不同的分类任务中。
本文在两个常用的小样本学习测试集上进行了实验,MiniImageNet 和TieredImageNet。其实验结果如下表所示。通过对比可以发现,基于模型自适应的方法,相比于通用的度量模型方法表现出了很好的优越性。同时,基于transformer的方法在所有的自适应方法中表现效果最好。
- 点赞
- 收藏
- 关注作者
评论(0)