1(西安交通大学计算机科学与技术学院 西安 710049);2(皇家墨尔本理工大学计算技术学院 澳大利亚墨尔本 3000) (zhanglling@xjtu.edu.cn)
出版日期:
2021-12-01基金资助:
国家重点研发计划项目(2020AAA0108800);国家自然科学基金项目(62137002,61937001,62176209,62176207,62106190,62050194);国家自然科学基金创新群体(61721002);教育部创新团队(IRT_17R86);基于MOOC中国的“一带一路”人才培养的线上线下混合教学支撑信息化平台与服务体系;中国博士后面上项目(2020M683493);中国工程科技知识中心项目;中央高校基本科研项目(xhj032021013-02)Interpretable Few-Shot Learning with Contrastive Constraint
Zhang Lingling1, Chen Yiwei1, Wu Wenjun1, Wei Bifan1, Luo Xuan1, Chang Xiaojun2, Liu Jun11(School of Computer Science and Technology, Xian Jiaotong University, Xian 710049)2(School of Computing Technologies, Royal Melbourne Institute of Technology University, Melbourne, Australia 3000)
Online:
2021-12-01Supported by:
This work was supported by the National Key Research and Development Program of China (2020AAA0108800), the National Natural Science Foundation of China (62137002, 61937001, 62176209, 62176207, 62106190, 62050194), the Innovative Research Group of the National Natural Science Foundation of China (61721002), the Innovation Research Team of Ministry of Education (IRT_17R86), the Consulting Research Project of Chinese Academy of Engineering “The Online and Offline Mixed Educational Service System for ‘The Belt and Road’ Training in MOOC China”, China Postdoctoral Science Foundation (2020M683493), the Project of China Knowledge Centre for Engineering Science and Technology, and the Fundamental Research Funds for the Central Universities (xhj032021013-02).摘要/Abstract
摘要: 不同于基于大规模监督的深度学习方法,小样本学习旨在从极少的几个样本中学习这类样本的特性,其更符合人脑的视觉认知机制.近年来,小样本学习受到很多****关注,他们联合元学习训练模式与度量学习理论,挖掘查询集(无标记样本)和支持集(少量标记样本)在特征空间的语义相似距离,取得不错的小样本分类性能.然而,这些方法的可解释性偏弱,不能为用户提供一种便于直观理解的小样本推理过程.为此,提出一种基于区域注意力机制的小样本分类网络INT-FSL,旨在揭示小样本分类中的2个关键问题:1)图像哪些关键位置的视觉特征在决策中发挥了重要作用;2)这些关键位置的视觉特征能体现哪些类别的特性.除此之外,尝试在每个小样本元任务中设计全局和局部2种对比学习机制,利用数据内部信息来缓解小样本场景中的监督信息匮乏问题.在3个真实图像数据集上进行了详细的实验分析,结果表明:所提方法INT-FSL不仅能有效提升当前小样本学习方法的分类性能,还具备良好的过程可解释性.
参考文献
相关文章 3
[1] | 刘雁孝, 吴萍, 孙钦东. 基于区域卷积神经网络的图像秘密共享方案[J]. 计算机研究与发展, 2021, 58(5): 1065-1074. |
[2] | 蒋树强,闵巍庆,王树徽. 面向智能交互的图像识别技术综述与展望[J]. 计算机研究与发展, 2016, 53(1): 113-122. |
[3] | 余 凯 贾 磊 陈雨强 徐 伟. 深度学习的昨天、今天和明天[J]. 计算机研究与发展, 2013, 50(9): 1799-1804. |
PDF全文下载地址:
https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4537