3 个月前

基于旋转的任务增强用于元学习

基于旋转的任务增强用于元学习

摘要

数据增强是提升现代机器学习模型准确率最有效的方法之一,同时也是训练用于元学习的深度模型所不可或缺的手段。本文提出一种基于旋转的任务增强方法,通过将原始图像分别旋转90°、180°和270°,从而增加类别数量,这与传统增强方法通过增加图像数量来提升数据多样性的策略不同。由于类别数量的增加,我们在训练过程中能够采样到更具多样性的任务实例。因此,基于旋转的任务增强方法使得我们能够采用元学习策略训练深层网络,同时有效抑制过拟合。实验结果表明,该方法在提升类别数量方面优于传统的图像旋转增强策略,并在miniImageNet、CIFAR-FS和FC100等少样本学习基准测试中取得了当前最优的性能表现。相关代码已公开,可通过 \url{www.github.com/AceChuse/TaskLevelAug} 获取。

代码仓库

基准测试

基准方法指标
few-shot-image-classification-on-cifar-fs-5MetaOptNet-SVM+Task Aug
Accuracy: 76.75
few-shot-image-classification-on-cifar-fs-5R2-D2+Task Aug
Accuracy: 77.66
few-shot-image-classification-on-cifar-fs-5-1MetaOptNet-SVM+Task Aug
Accuracy: 88.38
few-shot-image-classification-on-cifar-fs-5-1R2-D2+Task Aug
Accuracy: 88.33
few-shot-image-classification-on-fc100-5-wayMetaOptNet-SVM+Task Aug
Accuracy: 49.77
few-shot-image-classification-on-fc100-5-wayR2-D2+Task Aug
Accuracy: 51.35
few-shot-image-classification-on-fc100-5-way-1MetaOptNet-SVM+Task Aug
Accuracy: 67.17
few-shot-image-classification-on-fc100-5-way-1R2-D2+Task Aug
Accuracy: 67.66
few-shot-image-classification-on-mini-1R2-D2+Task Aug
Accuracy: 65.95%
few-shot-image-classification-on-mini-1MetaOptNet-SVM+Task Aug
Accuracy: 65.38%
few-shot-image-classification-on-mini-2R2-D2+Task Aug
Accuracy: 65.95
few-shot-image-classification-on-mini-2MetaOptNet-SVM+Task Aug
Accuracy: 65.38
few-shot-image-classification-on-mini-3R2-D2+Task Aug
Accuracy: 81.96
few-shot-image-classification-on-mini-3MetaOptNet-SVM+Task Aug
Accuracy: 82.13

用 AI 构建 AI

从想法到上线——通过免费 AI 协同编程、开箱即用的环境和市场最优价格的 GPU 加速您的 AI 开发

AI 协同编程
即用型 GPU
最优价格
立即开始

Hyper Newsletters

订阅我们的最新资讯
我们会在北京时间 每周一的上午九点 向您的邮箱投递本周内的最新更新
邮件发送服务由 MailChimp 提供
基于旋转的任务增强用于元学习 | 论文 | HyperAI超神经