【CVPR2020】对抗特征幻觉网络的小样本学习，Adversarial Feature Hallucination Networks for Few-Shot Learning

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