2017-2019年计算机视觉顶会文章收录 AAAI2017-2019 CVPR2017-2019 ECCV2018 ICCV2017-2019 ICLR2017-2019 NIPS2017-2019
文章介绍:https://www.colabug.com/3795964.html
这篇文章的idea是在一般metric based few shot learning的基础上做一些改进,提升一般模型的generalization。
首先文章采用Prototypical Network的思想,构造class representation来进行metric计算,然后文章做出如下三点改进方式:
1) Metric Scaling :在similarity metric的基础上学习一个scaling factor ,这样能够更好的使得输出的metric在合适的范围内
2) Task Conditioning :构造一个TEN network,通过输入样本数据来得到task representation,并利用此作为condition来改变feature extractor的输出。简单的说就是使得每一个task的feature extractor都不一样,具备adaptation的能力。
3) Auxiliary task co-training: 这里作者采用前面分析的几篇文章的做法,也使用所有训练数据来训练feature extractor,并把这个作为一个辅助任务,这样能够提升特征提取能力。
总的来说,这篇文章主要在细节上做了改进,但确实取得了挺不错的效果,非常值得借鉴的思想还是task conditioning,这意味着我们应该构建更meta的神经网络,使得最终得到的分类器的自适应能力足够强,这样更有希望使得效果更好。
阅读笔记