通过对数据增强和特征提取的改进来进行短暂的学习

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 短拍图像分类旨在使用最小的标记数据识别新型类别.
• 目前的方法通常在提取过程中与有限的数据和特征退化作斗争.
• 改进数据利用和特征提取对于强大的少数拍摄学习至关重要.

研究的目的:

• 提出新的方法来提高少数拍摄图像分类性能.
• 解决现有模型中数据稀缺和特征退化所带来的局限性.
• 提高模型有效地从有限的培训数据中积累知识的能力.

主要方法:

• 引入了自我混合 (SM),这是一种数据增强技术,可以组装相同图像的增强实例.
• 开发了校准适应性低采样 (CADS) 来校准和利用特征特征,防止退化.
• 集成的SM和CADS,以改善数据利用和特征提取.

主要成果:

• 拟议的方法在四个广泛采用的少数拍摄分类数据集上表现出卓越的性能.
• 自动混合 (SM) 有效地增强了从有限的培训数据中积累知识.
• 校准适应性下采样 (CADS) 促进了强大的特征提取,有利于分类准确性.

结论:

• 改进数据利用和特征提取的综合方法显著推进了少数镜头图像的分类.
• 拟议的自我混合和校准适应性减量采样方法为未来在低数据制度中的研究提供了有希望的方向.
• 这项工作有助于为具有有限标记数据的场景开发更强大,更有效的模型.