AAAI2019:
《Distribution Consistency Based Covariance Metric Networks for Few-Shot Learning》
基于分布一致性的协方差度量网络的小样本学习
关键词:度量学习、小样本、协方差
解决的问题:如何充分利用辅助数据来学习和存储可转移的知识?episodic training
如何在小样本设定下精准的表现一个概念?second-order statistic of concept representation
以及如何合理地度量一个概念和一个查询样本之间的关系?Deep Covariance Metric
episodic training:一个episodic就是包含了一个task,task由随机采样获得,如5way-1shot,训练:在训练集中选5个类,每个类1个图片作为支持集,测试:然后再在每个类中选5个图片作为查询集。
网络结构:协方差度量网络(CovaMNet)
局部协方差表示:
这样设定存在两个问题:
1)当n-way 1-shot设定时,k=1等式的处理方式未知
2)小样本设定下(k=1~5)很难保证协方差矩阵的非奇异性,以及精确学习数据分布
因此,作者引入了局部协方差
局部协方差表示解决了“如何在小样本设定下精准的表现一个概念?”这个问题。
协方差度量
模型架构:
数据集:
《miniImageNet》:包含100类,每类600张图片
《Stanford Dogs》:包含120类,共20580张图片
《Stanford Cars》:包含196类,共16185张图片
《CUB Birds》:包含200类,共6033张图片
miniImageNet: 将其中的64类作为训练集(辅助集)、16类作为验证集、20类作为测试集。采用episodic训练机制,共使用30万个task,每个task包含每类15张查询图,每类1张或5张(1 shot/5 shot)支持集图片。
图像大小都为84*84;
初始学习率为0.005,每10万个task降低一半;
测试过程在测试集中选择600个task进行测试。
代码:https://github.com/WenbinLee/CovaMNet.git.