Dynamic Few-Shot Visual Learning without Forgetting

Dynamic Few-Shot Visual Learning without Forgetting

重要信息

  • 能够在test的时候利用少量的image,就可以实现对新类别的识别,同时并不会忘记base categories,不忘记base categories是指在base categories训练完了以后,之后不会再在上面进行训练,但是却一直能够识别出base categories.

  • 在feature的表示之间用了cosine similarity

  • 好的fewshot-leanring系统应该具有两个重要的点:

  1. 学习新的categories需要快

  2. 不牺牲在base categories上的性能

few-shot classification-weight generator based on attention

  • 作者认为为了能够识别出novel categories,必须能够产生新的weight vectors, 因此设计了 few-shot classification weight generator的模块

  • 此外为了让新产生的category vector能够处理base 和novel的categories, 利用了cosine similarity function,作者认为基于分类的最后一层的fc来分类是做不好这个任务的, 作者解释的原因是base categories是缓慢训练得到的参数,而novel categories是快速训练得到的,因此放在一起的话,分数最高的那个,未必真的是真实的类别.因此改成了通过feature 来计算相似度.

methods

  • 训练集

有K个类别,每个类别中N个样本.

  • 网络结构

avator

打赏,谢谢~~

取消

感谢您的支持,我会继续努力的!

扫码支持
扫码打赏,多谢支持~

打开微信扫一扫,即可进行扫码打赏哦