元学习论文阅读 | CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification, CVPR2022
1 motivation
FEAT(CVPR2020)中提出了embedding adaptation这个概念,具体来说就是对support set的样本利用transformer等方式实现信息聚合,获取这些样本更好的特征。不足的地方是没有利用query信息。
2 contribution
1)为了改进基于模型的嵌入自适应,本文建议通过self attention对支持集和查询集的实例的嵌入/表示进行微调,以获取更利于分类的特征。
2)实验效果非常好,比最先进的方法高出3%∼5%。
3 Instance embedding adaptation
为了共同适应(co-adapt)支持和查询的嵌入 和 ,本文引入一个额外的步骤,使用self-attention对得到的初始嵌入进一步适应。基本思想是通过只考虑区分性特征相似性,可以在 和中找到需要关注的相关特征,从而重新加权特征。
3.1 Self attention
Attention function:
Multi-head Attention Block (MAB):
其中,γ 是ReLU函数。
3.2 Cross-adaptation with MAB
考虑从Support-query和query-support两个层面对实例的表示进行微调。具体地说,为了改进support特征,即query到support,使用query和support特征之间的注意分数来聚合初始support特征,生成与初始特征相关的支持原型,反之亦然,用于support到query,以生成改进初始查询特征的query特征。
对支持集和查询集的嵌入进行联合适应的过程:
MAB的具体实现:
根据适应后的支持集嵌入计算原型:
根据上面得到的原型和适应后的查询集嵌入对query进行分类:
4 实验部分
相比于FEAT效果提升很明显:
5 总结
本文主要是参考FEAT的方法进行了进一步的扩展,利用了query的信息,并且对query同样进行了信息聚合来微调表示,取得的效果非常好。而且,在元学习任务中分成了支持集和查询集两个部分,对query的利用应该是合理的,这和用testing的数据不太一样。
元学习论文阅读 | CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification, CVPR2022相关推荐
- 异常检测论文阅读《PANDA: Adapting Pretrained Features for Anomaly Detection and Segmentation》
<PANDA: Adapting Pretrained Features for Anomaly Detection and Segmentation> CVPR2021 论文背景: 近年 ...
- 深度学习论文阅读(四):GoogLeNet《Going Deeper with Convolutions》
深度学习论文阅读(四):GoogLeNet<Going Deeper with Convolutions> Abstract 摘要 1.Introduction 引言 2. Related ...
- 深度学习论文阅读目标检测篇(四)中英文对照版:YOLOv1《 You Only Look Once: Unified, Real-Time Object Detection》
深度学习论文阅读目标检测篇(四)中英文对照版:YOLOv1< You Only Look Once: Unified, Real-Time Object Detection> Abstra ...
- 深度学习论文阅读图像分类篇(三):VGGNet《Very Deep Convolutional Networks for Large-Scale Image Recognition》
深度学习论文阅读图像分类篇(三):VGGNet<Very Deep Convolutional Networks for Large-Scale Image Recognition> Ab ...
- 深度学习论文阅读图像分类篇(五):ResNet《Deep Residual Learning for Image Recognition》
深度学习论文阅读图像分类篇(五):ResNet<Deep Residual Learning for Image Recognition> Abstract 摘要 1. Introduct ...
- 【联邦学习论文阅读】FedProx(2018)Federated Optimization in Heterogeneous Networks
[FedProx]论文链接:https://arxiv.org/abs/1812.06127 摘要 联邦学习面临两个关键挑战:系统异构性:统计异构性.本文的FedProx可以解决联邦学习的异构性,可看 ...
- 【独家】深度学习论文阅读路线图
如果你是深度学习领域的一名新手,可能会遇到的第一个问题是"应该从哪篇论文开始读起呢?" 这里给出了深度学习论文阅读路线图! 路线图按照下面四个准则构建而成: 从提纲到细节 从经典到 ...
- Zero-shot Learning零样本学习 论文阅读(五)——DeViSE:A Deep Visual-Semantic Embedding Model
Zero-shot Learning零样本学习 论文阅读(五)--DeViSE:A Deep Visual-Semantic Embedding Model 背景 Skip-gram 算法 算法思路 ...
- 联邦学习论文阅读三:ChainFL
联邦学习论文阅读三:ChainFL Secure and Efficient Federated Learning Through Layering and Sharding Blockchain 论 ...
最新文章
- 网站无法响应HTTP/1.1
- 2015年部分互联网公司笔试综合题及答案
- 阿里云开发者大会:资源加应用酝酿云存储变局
- 统计学习方法第八章作业:分类问题AdaBoost算法、回归问题提升树算法 代码实现
- JAVA.IO字符流
- jfinal启动正常,但是报错:oejw.WebAppContext:Failed startup
- 新物种!大数据安全工程研究中心告诉你什么叫“数据安全成熟度测评师”
- Java SE (5)之 线程使用
- Pivotal Cloud Foundry安全原理解析
- SI 9000 及阻抗匹配学习笔记(一)
- Matplotlib中文乱码解决方案(1):`matplotlib.font_manager` 自定义字体
- 七种常用数据分析方法
- 电容或电感的电压_测量电容或电感的电路
- 医院招聘护士 计算机证,医院招聘护士的自我介绍
- [secureCRT] session log保存 并添加时间戳
- pytorch1.10新功能inference_mode
- maltab-图像拼接(左右两幅图)
- 开门的磁卡在哪里配_门禁卡能配吗?
- 智能风控平台核心之风控决策引擎(四)
- 什么是Asterisk?