Adaptive Prototypical Networks

要約

少数ショット学習のプロトタイプ ネットワークは、埋め込み空間内で互いに類似した特徴を持つ画像を埋め込むエンコーダ内の埋め込み関数を学習しようとします。
ただし、このプロセスでは、タスクのサポート セット サンプルが互いに独立して埋め込まれているため、クラス間の近さは考慮されません。
したがって、タスク内に似たようなクラスが存在する場合、埋め込みは埋め込み空間内で互いに近くなる傾向があり、一部の領域で重複する可能性さえありますが、これは分類には望ましくありません。
このホワイト ペーパーでは、メタ テスト フェーズで各クラスの埋め込みを他のクラスから直感的に押しのけるアプローチを提案します。
これは、新しいタスクのサポート セット サンプルとラベルを使用して、分類のためにエンコーダ ネットワークをトレーニングすることによって実現されます。
ベンチマーク データ セットに対して実施された広範な実験では、プロトタイプ ネットワークや他の標準的な少数ショット学習モデルと比較して、メタ テストの精度が向上していることが示されています。

要約(オリジナル)

Prototypical network for Few shot learning tries to learn an embedding function in the encoder that embeds images with similar features close to one another in the embedding space. However, in this process, the support set samples for a task are embedded independently of one other, and hence, the inter-class closeness is not taken into account. Thus, in the presence of similar-looking classes in a task, the embeddings will tend to be close to each other in the embedding space and even possibly overlap in some regions, which is not desirable for classification. In this paper, we propose an approach that intuitively pushes the embeddings of each of the classes away from the others in the meta-testing phase, thereby grouping them closely based on the distinct class labels rather than only the similarity of spatial features. This is achieved by training the encoder network for classification using the support set samples and labels of the new task. Extensive experiments conducted on benchmark data sets show improvements in meta-testing accuracy when compared with Prototypical Networks and also other standard few-shot learning models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google