您所在的位置: 首页 科技智库 详情

IJCAI 2021 | 不确定性感知小样本图像分类模型，实现SOTA性能

发布时间： 2021-12-14


编者按：小样本图像分类是小样本学习研究领域中的一个热点问题，对其展开应用和研究，有十分重大的现实意义。基于度量学习的方法在该领域中得到了广泛应用，并且取得了显著效果。但是在应用这种方法时，由于观测噪声的存在，所以网络模型对于不同输入对应的特征表达具有不同的置信度。对不确定度的建模和利用，对于提升优化效率十分重要。

因此，微软亚洲研究院的研究员们提出了不确定性感知小样本图像分类方法。相关研究论文“Uncertainty-Aware Few-Shot Image Classification”已被国际人工智能联合会议 IJCAI 2021 收录。

小样本学习可以降低机器学习算法的数据依赖性，对于实际应用意义重大。其中，小样本图像分类旨在从少量标注样本中学习识别新的类别。在该领域中，基于度量学习的方法得到了广泛研究并取得了显著效果。具体而言，这种方法是按照特征空间相似度将待分类样本与支持集合中最近邻的类中心进行匹配，进而实现分类的。但是，由于观测噪声的存在，网络模型对于不同输入对应的特征表达具有不同的置信度。对不确定度的建模和利用，对于提升小样本学习的优化效率十分重要，但这在以前却经常被忽略。

因此，微软亚洲研究院的研究员们提出了不确定性感知小样本图像分类方法。该方法将“样本-类中心”对的相似度从原来的确定性表征转变为概率化表征，并且将相似度的不确定性在该概率化表征中进行参数化。同时该方法还利用图模型，联合预测每个样本与支撑集中所有的类中心相似度的不确定性，以实现不确定性感知优化。最后，研究员们还基于强基线模型对该方法进行了性能验证。相对于该强基线模型，本文提出方法的性能得到了显著提升，并超过 SOTA 方法。相关研究论文“Uncertainty-Aware Few-Shot Image Classification”已被国际人工智能联合会议 IJCAI 2021 收录。

论文链接：#

© MSRA

方法简介

在基于度量学习的小样本图像分类中，“样本-类中心”对的相似度由样本和类中心在特征空间中的表征共同决定。因此与之前的工作不同，本文的方法不再对特征表征的不确定性建模，而是对特征相似度的不确定性进行建模。（如图1）