论文:Learning to Compare: Relation Network for Few-Shot Learning
地址:https://arxiv.org/abs/1711.06025v2
代码:https://github.com/floodsung/LearningToCompare_FSL
来源:CVPR 2018
摘要
提出了 relation network,通过计算查询样本与每类样本表示的相关分数来进行分类。
问题
传统的监督学习需要大量的数据,因此数据标注花费成本较高。此外对于某系稀有的类别很难获取数据(比如稀有动物)。但是人们可以根据很少的样本就可以识别。根据人类识别的方式提出了少样本学习或这零样本学习。
少样本学习的目的:是通过少量带有标签的数据识别出新类。对于一个或几个样本,微调的方法也具有挑战性。数据增强、正则化在如此少的数据上也不能解决过拟合问题。目前少样本学习主要是将训练阶段分为辅助的元学习阶段,可以学习到迁移知识,包含好的初始化条件、embedding、和优化策略。然后通过微调来来实现少样本学习。
方法
问题的定义
有三部分的数据:training set,support set 和 testing set。support set和 testing set具有相同的类别标签,trainng set具有自己的类别标签(与support set和 testing set的类别标签不重复)。如果对于support set中C类分别有K个数据,我们就成为C-way K-shot问题。
我们在training set上采用元学习的方式,进行训练。在每一次迭代中,随机抽取C类,每类K个带标签的数据。组成sample set S = { ( x i , y i ) } i = 1 m ( m = K × C ) S = \{(x_i,y_i)\}^m_{i=1} (m=K \times C) S={ (xi,yi)}i=1