Learning Compositional Representations for Few-Shot Recognition
文章目录
一,概述
受到人类存储知识方法(组成结构)的启发,作者提出了一种简单的正则化方法,允许将学习到的表示分解为多个部分,即借用类级别的属性注释将网络的特征空间分解为与属性对应的子空间,从而更好地泛化模型提取出的知识来达到更好的性能。
主要贡献:
- 提出了第一种学习深层成分表示的方法。
- 说明了在ImageNet数据集上收集属性注释的简单性。
- 性能的提升。
二,方法阐述
2.1 问题定义


首先,在Sbase上学习了一个参数为 θ \theta θ的表示模型,该模型用于接下来的在Snovel上分类任务。
为了更好地表明类标签yi ∈ \in ∈Cbase的结构信息,作者引入了类层面的派生属性集D(xi)

本文提出一种新的正则化方法,通过将深层表示分解为基于类级别属性的子空间,以提高模型在小样本情况下的泛化能力。这种方法不仅首次实现了深层组件表示的学习,还简化了在ImageNet数据集上收集属性注释的过程。
最低0.47元/天 解锁文章
1410

被折叠的 条评论
为什么被折叠?



