SimpleShot: Revisiting Nearest-Neighbor Classification for Few-Shot Learning 论文笔记

本文探讨仅使用最近邻分类器处理小样本学习的可能性,通过特征转换如均值相减和L2归一化提升性能,提出SimpleShot方法。实验表明,这种方法在某些情况下优于复杂的元学习方法。
摘要由CSDN通过智能技术生成

前言

目前大多数小样本学习器首先使用一个卷积网络提取图像特征,然后将元学习方法与最近邻分类器结合起来,以进行图像识别。本文探讨了这样一种可能性,即在不使用元学习方法,而仅使用最近邻分类器的情况下,能否很好地处理小样本学习问题。

本文发现,对图像特征进行简单的特征转换,然后再进行最近邻分类,也可以产生很好的小样本学习结果。比如,使用DenseNet特征的最近邻分类器,在结合均值相减(mean subtraction)和L2归一化之后,其性能优于目前流行的更复杂的小样本学习方法。使用其它卷积神经网络的特征也能得到同样的结果。

本文的小样本学习器称为SimpleShot,作者希望将最近邻分类重新确立为小样本学习的一个baseline。


实现方法

定义输入图像为 I I I,假设给定一个训练集 D b a s e = { ( I 1 , y 1 ) , . . . , ( I N , y N ) } D_{base}=\lbrace(I_1,y_1),...,(I_N,y_N)\rbrace Dbase={ (I1,y1),...,(IN,yN)},它包含 A A A个base class,共有 N N N个带标记的图像,也就是说 y n ∈ { 1 , . . . , A } y_n \in \lbrace 1,...,A\rbrace

  • 1
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值