Core Concepts
高品質なセマンティクスを活用することで、基本的なネットワークでも優れたパフォーマンスが達成可能。
Abstract
少量のデータから学習するFew-Shot Learning(FSL)の課題を解決するため、高品質なセマンティクスを自動生成するSemantic Evolutionと、Semantic Alignment Networkを提案。
FSLの背景や手法、実験結果について詳細に記載されている。
実験ではMiniImageNet、TieredImageNet、CIFAR-FS、FC100など6つのデータセットで提案手法が他の最先端手法を上回る結果を示している。
セマンティック進化やプロトタイプ生成方法、分類器選択戦略など様々な要素が詳細に検討されている。
Stats
本研究はResNet-12やSwin-Tなどのバックボーンを使用しており、各種データセットで最先端手法を上回る性能を示しています。
モデルはCosine距離やEuclidean距離を使用した分類器によって最良の結果が得られました。
Fusion factor k の値が大きいほど最高の精度が得られました。また、SemFewは他の手法よりも優れたプロトタイプを生成しました。
Quotes
"高品質なセマンティクス情報は単純なネットワークでも優れたパフォーマンスを発揮します。"
"SemFewは他の最先端手法に比べて優れた結果を達成しました。"