层级智能互助信息元学习网络,用于短暂的细分
IEEE transactions on neural networks and learning systems
|September 10, 2024
概括
本研究介绍了LayerMI,这是一种用于少数拍摄细分 (FSS) 的新型元学习框架. 层MI通过最大化相互信息来增强图像之间的标签信息传输,提高未见类的细分精度.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 少数镜头细分 (FSS) 旨在对具有有限标记数据的新型类别的图像进行细分.
- 标签信息从支持到查询图像的有效转移对于FSS的性能至关重要.
研究的目的:
- 引入一个新的元学习框架,LayerMI,以加强标签信息在FSS中的传播.
- 提高细分对象类的准确性和效率,以前从未见过.
主要方法:
- 开发了一个使用基于信息理论协集群的LayerMI块的LayerMI框架.
- 在每个卷积神经网络 (CNN) 层中,支持和查询图像特征之间的最大化相互信息 (MI).
- 集成层MI块融入现有元学习框架,而不会改变培训目标.
主要成果:
- 层MI显著提高了基线FSS模型的性能.
- 在PASCAL-$5^i$,COCO-$20^i$和FSS-1000基准上,与最先进的方法相比,取得了具有竞争力的结果.
- 证明了LayerMI能够促进内部图像集群的功能,同时最大限度地实现图像间MI.
结论:
- 拟议的LayerMI框架有效地增强了标签信息的传播,以实现短暂的细分.
- 层MI提供了一种灵活而强大的方法来改进新类的细分.
- 这种方法显示出强大的潜力,可以推进少量学习领域的发展.
