Core Concepts
訓練済みのFSLモデルをテスト時に高得点を獲得するための画像生成手法を提案する。
Abstract
日常生活では、顔認識機に正面から見せることが一般的だが、FSL分類は新しいクラスの画像を識別する際に挑戦的であり、テスト時に歪んだクエリ画像やサポート画像が予測を困難にする。提案された手法は、訓練済みのFSLモデルのテスト入力を修正し、新しいサンプルを生成して性能向上させる。実験によると、サポートセットに1つの追加生成サンプルを追加することで、動物の顔または交通標識からなるデータセットで訓練されたFSLモデルの性能が約2%向上した。提案手法は既存の訓練済みFSLモデルの性能向上に有効であることが示唆されている。
Stats
提案手法により、1つの追加生成サンプルでサポートセットを拡張することで、動物顔または交通標識からなるデータセットで訓練されたFSLモデルの性能が約2%向上した。
Quotes
"Few-shot-learning (FSL) classification is challenging in itself because a model has to identify images that belong to classes previously unseen during training."
"Our proposed method first captures the style or shape of the test image, and then identifies a suitable trained class sample."
"Our method has potential in empowering a trained FSL model to score higher during the testing phase without any extra training nor dataset."