标题

对抗特征幻觉网络的小样本学习,Adversarial Feature Hallucination Networks for Few-Shot Learning

关键字

小样本学习,神经网络,生成对抗网络,机器学习,人工智能

简介

最近在各种任务中进行的深度学习蓬勃发展,在很大程度上已经获得了丰富且可访问的标记数据的认可。 尽管如此,对于许多实际应用而言,大量的监督仍然是奢侈的事情,这引起了人们对标签稀缺技术的极大兴趣,例如小样本学习(FSL),旨在通过少量标签样本学习新类的概念。 FSL的自然方法是数据扩充,许多最近的工作通过提出各种数据综合模型证明了其可行性。 但是,这些模型不能很好地确保合成数据的可分辨性和多样性,因此经常会产生不良结果。 在本文中,我们提出了基于条件Wasserstein生成对抗网络(cWGAN)的对抗特征幻觉网络(AFHN),并幻化了以少量标记样本为条件的各种和判别特征。 两种新颖的正则化器,即分类正则器和反崩溃正则器,被合并到AFHN中以分别促进合成特征的可辨别性和多样性。 消融研究验证了所提出的基于cWGAN的特征幻觉框架和所提出的调节器的有效性。 在三个常见基准数据集上的比较结果证实了AFHN优于现有的基于数据增强的FSL方法和其他最新方法的优越性。

作者

Kai Li, Yulun Zhang, Kunpeng Li, Yun Fu,波士顿东北大学电气与计算机工程系

成为VIP会员查看完整内容
48

相关内容

小样本学习(Few-Shot Learning,以下简称 FSL )用于解决当可用的数据量比较少时,如何提升神经网络的性能。在 FSL 中,经常用到的一类方法被称为 Meta-learning。和普通的神经网络的训练方法一样,Meta-learning 也包含训练过程和测试过程,但是它的训练过程被称作 Meta-training 和 Meta-testing。
【Google】平滑对抗训练,Smooth Adversarial Training
专知会员服务
45+阅读 · 2020年7月4日
【CVPR2020-北京大学】自适应间隔损失的提升小样本学习
专知会员服务
81+阅读 · 2020年6月9日
KDD 2019论文解读:异构信息网络上的对抗生成学习
云栖社区
22+阅读 · 2019年8月21日
关于GANs在医学图像领域应用的总结
人工智能前沿讲习班
31+阅读 · 2019年6月4日
小样本学习(Few-shot Learning)综述
PaperWeekly
120+阅读 · 2019年4月1日
判别特征的学习方法用于人脸识别(文末源码)
计算机视觉战队
7+阅读 · 2019年3月28日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
13+阅读 · 2019年1月26日
Adversarial Transfer Learning
Arxiv
12+阅读 · 2018年12月6日
Arxiv
7+阅读 · 2018年6月8日
Arxiv
5+阅读 · 2018年5月1日
VIP会员
相关论文
微信扫码咨询专知VIP会员