摘要
樣本合成是少樣本分類中常用的方法,作者借鑑這一方法到多標籤識別。將成對的不同類別的樣例的特徵相結合,得到的圖片的標籤集和合成所用的標籤相對應。通過這種訓練,產生一些不可見樣本。
介紹
我們想讓深度網絡編碼到全部的信息,不管是目標特徵、位置、屬性。這樣就構成了一個樣本的特徵空間,再根據任務,對特徵空間進行運算。
對於特徵操作的理解:
有如下定義:
:交
:差
:並
可以參考下圖:
這篇文章的貢獻:【因爲我是來這篇文章中找東西的,所以少樣本那部分的細節我並不在意,需要的可以自己再借鑑一下】
- 新的少樣本合成方法
- 特徵空間操縱方法
- 少樣本多標籤任務的提出者
方法
X、Y是不同類別的兩種圖片,它們的特徵空間被表示爲:和,統合爲。可以被 backbone 骨幹網絡獲得,比如 I3 和 ResNet50。有三種 LaSONet:、和三種網絡。
它們操作後的特徵空間表示爲:
以及簡單的符號化表示:
注意,我們會使用一個數據集 對 LaSONet 進行預訓練,但是預訓練後的模型,我們更希望它學習到 操作,而不是單純的圖片屬性。我們沒有給 input 有關於圖片的標籤。所以它是潛在的學習到了某種操作,完成這件事。
這是 LaSONet 的流程圖:
後面的我就需要再看了,因爲我已經得到了我想要的了。
LaSONet 中對特徵操作的那部分網絡是通過多層感知機完成。
很久以來的第一篇博客。