上传者: liz_Lee
|
上传时间: 2021-06-01 22:06:07
|
文件大小: 2.64MB
|
文件类型: PDF
许多元学习方法的少数镜头学习依赖于简单的基础学习者,如最近邻分类器。然而,即使在少量射击的情况下,有区别地训练线性预测器可以提供更好的泛化。我们建议使用这些预测器作为基础学习者来学习少量镜头学习的表示,并表明它们在一系列少量镜头识别基准之间提供了更好的特征大小和性能之间的权衡。我们的目标是学习特征嵌入,在新的类别线性分类规则下很好地一般化。为了有效地解决这一目标,我们利用了线性分类器的两个性质:凸问题的最优性条件的隐式微分和最优问题的对偶公式。这允许我们使用高维嵌入改进的泛化,并适度增加计算开销。我们的方法名为MetaOptNet,在miniImageNet、tieredImageNet、CIFAR-FS和FC100的几次学习基准上实现了最先进的性能。