使用概率模型的判别性k-shot学习

本文介绍了一种用于k-shot图像分类的概率框架。该框架旨在从初始的大规模分类任务推广到一个包含新类别和少量样本的独立任务。新的方法不仅利用了神经网络从初始任务中学习到的基于特征的表示（表示迁移），还利用了关于类别的信息（概念迁移）。概念信息被封装在一个概率模型中，该模型作为神经网络最终层权重的先验，用于概率k-shot学习。我们展示了即使是一个简单的概率模型也能在标准的k-shot学习数据集上大幅超越现有方法，达到最先进的水平。此外，该模型能够准确地建模不确定性，从而产生校准良好的分类器，并且具有易于扩展和灵活的特点，这与许多最近的k-shot学习方法不同。