陈晨,王亚立,乔宇.任务相关的图像小样本深度学习分类方法研究[J].集成技术,2020,9(3):15-25
任务相关的图像小样本深度学习分类方法研究
Task-Relevant Few-Shot Image Classification
投稿时间:2020-04-02  修订日期:2020-04-23
DOI:10.12146/j.issn.2095-3135.20200402001
中文关键词:  任务相关;特征嵌入;正则化;度量学习;小样本分类
英文关键词:task-relevant; feature embedding; regularization; metric learning; few-shot classification
基金项目:国家重点研发计划项目(2016YFC1400704);国家自然科学基金-深圳机器人基础研究中心项目(U1713208)
作者单位
陈晨 中国科学院深圳先进技术研究院 深圳 518055;中国科学院大学深圳先进技术学院 深圳 518055 
王亚立 中国科学院深圳先进技术研究院 深圳 518055 
乔宇 中国科学院深圳先进技术研究院 深圳 518055 
摘要点击次数: 784
全文下载次数: 969
中文摘要:
      传统基于度量学习的图像小样本分类方法与任务无关,这导致模型对新查询任务的泛化能力 较差。针对该问题,该研究提出一种任务相关的图像小样本深度学习方法——可以根据查询任务自适 应地调整支持集样本特征,从而有效形成任务相关的度量分类器。同时,该研究通过引入多种正则化 方法,解决了数据量严重不足所带来的过拟合问题。基于 miniImageNet 和 tieredImageNet 两个常用标 准数据集,在特征提取网络相同的前提下,所提出方法在 miniImageNe 中 1-shot 上获得了 66.05% 的 准确率,较目前最好的模型提高了 4.29%。
英文摘要:
      The traditional metric learning based few-shot image classification methods are task independent, which leads to poor generalization performance of the model on new query tasks. To solve this problem, a taskrelevant image few-shot learning method was proposed in this paper, which can adaptively adjust the feature of support samples according to the query task. Moreover, a variety of regularization methods to address the overfitting problem under severely-limited data scenarios were also investigated. We conduct comprehensive experiments on two popular benchmarks, i.e., miniImageNet and tieredImageNet. The result of 1-shot task on the miniImageNet by the proposed method was 66.05%, and it outperforms the SOTA (state of the art) approaches by 4.29% under the same backbones.
查看全文  查看/发表评论  下载PDF阅读器
关闭
微信关注二维码 用微信扫一扫 用微信扫一扫 用微信扫一扫

美女

美女图片

美女

美女图片