【AAAI2020-中山大学】知识图谱迁移网络小样本识别，Knowledge Graph Transfer Network for Few-Shot Recognition(附pdf）

论文题目

Model Cards for Model Reporting

论文摘要

在给定一些具有足够训练样本的基本类别上，少镜头学习的目的是从很少的样本中学习新的类别。这项任务的主要挑战是新的类别容易受到颜色、纹理、物体形状或背景背景（即特异性）的支配，这对于给定的少数训练样本是不同的，但对于相应的类别则不常见。幸运的是，我们发现基于范畴可以帮助学习新概念，从而避免新概念被特定性所支配。此外，结合不同类别之间的语义关联，可以有效地规范这种信息传递。在这项工作中，我们以结构化知识图的形式来表示语义关联，并将此图集成到深度神经网络中，利用一种新的知识图转移网络（KGTN）来促进少量镜头的学习。具体地说，通过使用对应类别的分类器权重初始化每个节点，学习传播机制以自适应地通过图来探索节点间的相互作用，并将基本类别的分类器信息传递给新类别的分类器信息。在ImageNet数据集上进行的大量实验表明，与当前领先的竞争对手相比，性能有了显著提高。此外，我们还构建了一个涵盖更大尺度类别（即6000个类别）的ImageNet-6K数据集，在该数据集上的实验进一步证明了我们提出的模型的有效性。

论文作者 陈日泉，陈天水，许晓璐，吴鹤峰，李冠斌，梁林，中山大学达克马特人工智能研究所。