Deep Metric Learning for Few-Shot Image Classification: A Review of Recent Developments

要約

少数ショットの画像分類は、少数のトレーニング画像のみに基づいて人間レベルの認識を達成することを目的とした困難な問題です。
数ショットの画像分類に対する主な解決策の1つは、詳細なメトリック学習です。
これらの方法は、強力なディープニューラルネットワークによって学習された埋め込み空間内のいくつかの見えたサンプルまでの距離に従って見えないサンプルを分類することにより、数ショットの画像分類でいくつかのトレーニング画像への過剰適合を回避し、最先端を実現しました。
パフォーマンス。
この論文では、2018年から2022年までの数ショットの画像分類のための詳細なメトリック学習方法の最新のレビューを提供し、メトリック学習の3つの段階、つまり学習機能の埋め込み、学習クラス表現に従って3つのグループに分類します。
、および学習距離の測定。
この分類法を使用して、さまざまな方法の新規性とそれらが直面する問題を特定します。
このレビューは、数ショットの画像分類における現在の課題と将来の傾向についての議論で締めくくられています。

要約(オリジナル)

Few-shot image classification is a challenging problem that aims to achieve the human level of recognition based only on a small number of training images. One main solution to few-shot image classification is deep metric learning. These methods, by classifying unseen samples according to their distances to few seen samples in an embedding space learned by powerful deep neural networks, can avoid overfitting to few training images in few-shot image classification and have achieved the state-of-the-art performance. In this paper, we provide an up-to-date review of deep metric learning methods for few-shot image classification from 2018 to 2022 and categorize them into three groups according to three stages of metric learning, namely learning feature embeddings, learning class representations, and learning distance measures. With this taxonomy, we identify the novelties of different methods and problems they face. We conclude this review with a discussion on current challenges and future trends in few-shot image classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google