Background
小样本学习基本基于absolute信息,比如onehot编码,但是这种信息很难反映一张图片的全部信息。所以本文通过将absolute信息与relative信息相结合,通过人工给图片标一些属性(比如绿色,红色,耳朵等)增加图片的信息,从而可以将图片的标签“具体化”
数据处理
除了图片本身的标签,论文中表示需要人工给图片定义一些属性,并给出标签
框架
框架主要分为三个部分
一、特征提取
特征提取器f
二、 absolute learning
分为两部分,第一部分与普通图片分类无异,将图片特征放入分类器 h c h_c hc,得到onehot标签,与真实的标签求loss(交叉熵)
第二部分是放入分类器 h s h_s hs,与上面分类器不同的是,这个分类器得到的是属性标签,也就是数据处理过程中人工定义的属性,然后与其求loss(MSE)
三、relative learning
主要是基于对比的思想计算Loss
首先将特征提取器 f f f得到的两张图片的特征拼接后送入 g g g中,得到 ψ i j \psi_{ij} ψ
论文笔记:Rethinking Class Relations: Absolute-relative Supervised and Unsupervised Few-shot Learning
最新推荐文章于 2024-09-16 12:18:48 发布