https://arxiv.org/abs/2008.04031

对于有足够标记样本的基类,小样本分类的目标是在只有少量标记样本的情况下识别新类的未标记样本。现有的方法大多只关注新类的标记样本和未标记样本之间的关系,没有充分利用基类内部的信息。在本文中,我们为研究小样本分类问题做了两个贡献。首先,我们提出了一个简单而有效的基线,通过传统的监督学习的方式在基类上训练,可以取得与目前水平相当的结果。其次,在基线的基础上,我们提出了一个协作的双路径分类度量,它利用基类和新类之间的相关性来进一步提高分类的准确性。在两个广泛使用的基准上的实验表明,该方法是一种简单有效的分类方法,在小样本分类领域开创了一种新局面。

成为VIP会员查看完整内容
28

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。
【ACMMM2020】小规模行人检测的自模拟学习
专知会员服务
9+阅读 · 2020年9月25日
【ACMMM2020】条件推理的医学视觉问答
专知会员服务
38+阅读 · 2020年9月9日
【ACM MM2020】跨模态分布匹配的半监督多模态情感识别
专知会员服务
41+阅读 · 2020年9月8日
专知会员服务
10+阅读 · 2020年9月1日
注意力图神经网络的小样本学习
专知会员服务
190+阅读 · 2020年7月16日
【ICML 2020 】小样本学习即领域迁移
专知会员服务
77+阅读 · 2020年6月26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
【CVPR2020-旷视】DPGN:分布传播图网络的小样本学习
专知会员服务
26+阅读 · 2020年4月1日
7篇必读ACM MM 2019论文:图神经网络+多媒体
新智元
43+阅读 · 2019年11月9日
ICCV2019|基于全局类别表征的小样本学习
极市平台
11+阅读 · 2019年9月21日
从 CVPR 2019 一览小样本学习研究进展
AI科技评论
11+阅读 · 2019年7月25日
Arxiv
38+阅读 · 2020年3月10日
Arxiv
99+阅读 · 2020年3月4日
Arxiv
14+阅读 · 2019年11月26日
Sparse Sequence-to-Sequence Models
Arxiv
5+阅读 · 2019年5月14日
Arxiv
29+阅读 · 2019年3月13日
Arxiv
12+阅读 · 2019年2月26日
VIP会员
相关VIP内容
【ACMMM2020】小规模行人检测的自模拟学习
专知会员服务
9+阅读 · 2020年9月25日
【ACMMM2020】条件推理的医学视觉问答
专知会员服务
38+阅读 · 2020年9月9日
【ACM MM2020】跨模态分布匹配的半监督多模态情感识别
专知会员服务
41+阅读 · 2020年9月8日
专知会员服务
10+阅读 · 2020年9月1日
注意力图神经网络的小样本学习
专知会员服务
190+阅读 · 2020年7月16日
【ICML 2020 】小样本学习即领域迁移
专知会员服务
77+阅读 · 2020年6月26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
【CVPR2020-旷视】DPGN:分布传播图网络的小样本学习
专知会员服务
26+阅读 · 2020年4月1日
相关论文
Arxiv
38+阅读 · 2020年3月10日
Arxiv
99+阅读 · 2020年3月4日
Arxiv
14+阅读 · 2019年11月26日
Sparse Sequence-to-Sequence Models
Arxiv
5+阅读 · 2019年5月14日
Arxiv
29+阅读 · 2019年3月13日
Arxiv
12+阅读 · 2019年2月26日
微信扫码咨询专知VIP会员