hallucinator:map 真实样本到幻想的样本。输入few-shot training set到hallucinator,得到扩展的training set,然后被learner使用。 G(x,z;wG) x是输入样本,z是噪声, wG 是hallucinator的参数 训练G 直接使用meta-train,不用考虑生成图片的多样性和真实性,而只考虑图像是否对few-shot分类有益 ...
我们的幻觉器可以整合到各种元学习者中,并提供显著的收益:当只有一个训练示例可用时,分类精度提高了6点,在具有挑战性的ImageNet low-shot 分类基准上产生了最先进的性能。 1、简介 视觉识别系统的准确性已经显著提高。但是现代识别系统仍然需要成千上万的每个类别的样本来饱和性能。这在没有足够资源来收集大型训练集...
论文下载: Low-Shot Learning from Imaginary Data本文由Facebook、卡内基梅隆大学和康奈尔大学合作完成。其中包括了大名鼎鼎的Ross Girshick(R-CNN等网络的发明人)。 主要从以下几个方面来解读论文: 1 论文的出…
首先,在表示学习阶段,基于卷积神经网络(ConvNet)的特征提取器在一组类上进行训练,每个类有数千个样本; 这个集合称为“基”类Cbase。 然后,在low-shot学习阶段,识别系统遇到一组额外的“新”类Cnovel,每个类有少量的例子n。 它还可以访问基类训练集。 系统现在必须学会识别基础类和新类。 在一个包含这两组类...