小样本学习(FSL)近年来引起了越来越多的关注,但仍然具有挑战性,因为学习从少数例子中归纳的固有困难。本文提出了一种自适应间隔原则,以提高基于度量的元学习方法在小样本学习问题中的泛化能力。具体地说,我们首先开发了一个与类相关的加性边缘损失算法,该算法考虑了每对类之间的语义相似性,从而将特征嵌入空间中的样本从相似的类中分离出来。此外,我们在抽样训练任务中加入所有类别之间的语义上下文,并开发了与任务相关的附加间隔损失,以更好地区分不同类别的样本。我们的自适应间隔方法可以很容易地推广到更现实的广义FSL设置。大量的实验表明,在标准FSL和通用FSL设置下,所提出的方法可以提高现有基于度量的元学习方法的性能。

成为VIP会员查看完整内容
73

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。
【ICML 2020 】小样本学习即领域迁移
专知会员服务
72+阅读 · 2020年6月26日
【CVPR2020-旷视】DPGN:分布传播图网络的小样本学习
专知会员服务
25+阅读 · 2020年4月1日
【浙江大学】使用MAML元学习的少样本图分类
专知会员服务
58+阅读 · 2020年3月22日
ICCV2019|基于全局类别表征的小样本学习
极市平台
9+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
Meta-Learning 元学习:学会快速学习
GAN生成式对抗网络
18+阅读 · 2018年12月8日
论文浅尝 | 用图网络做小样本学习
开放知识图谱
58+阅读 · 2018年6月30日
Arxiv
3+阅读 · 2018年11月14日
Arxiv
7+阅读 · 2018年4月24日
VIP会员
微信扫码咨询专知VIP会员