摘要
少样本视觉学习——即从极少数示例中识别新物体类别的能力——是人类视觉智能的一个显著特征。现有的机器学习方法在这一方面无法达到同样的泛化水平。为了在这个基础问题上取得进展，我们提出了一种针对复杂图像的少样本学习基准测试，该测试模拟了现实世界中识别系统所面临的挑战。随后，我们提出了a) 表征正则化技术，以及b) 为数据匮乏类别生成额外训练样本的技术。这些方法共同提高了卷积网络在少样本学习中的有效性，在具有挑战性的ImageNet数据集上，将新类别的一次性识别准确率提升了2.3倍。
少样本视觉学习——即从极少数示例中识别新物体类别的能力——是人类视觉智能的一个显著特征。现有的机器学习方法在这一方面无法达到同样的泛化水平。为了在这个基础问题上取得进展，我们提出了一种针对复杂图像的少样本学习基准测试，该测试模拟了现实世界中识别系统所面临的挑战。随后，我们提出了a) 表征正则化技术，以及b) 为数据匮乏类别生成额外训练样本的技术。这些方法共同提高了卷积网络在少样本学习中的有效性，在具有挑战性的ImageNet数据集上，将新类别的一次性识别准确率提升了2.3倍。