Diskriminatives k-Schuss-Lernen mit wahrscheinlichkeitstheoretischen Modellen

Dieses Papier stellt einen probabilistischen Rahmen für die k-Schuss-Bildklassifizierung vor. Das Ziel besteht darin, von einer anfänglichen Klassifizierungsaufgabe großkalibrierter Natur zu einer separaten Aufgabe zu generalisieren, die neue Klassen und geringe Anzahlen von Beispielen umfasst. Der neue Ansatz nutzt nicht nur die auf der anfänglichen Aufgabe basierende Merkmalsdarstellung, die von einem neuronalen Netzwerk gelernt wurde (repräsentatives Transfer), sondern auch Informationen über die Klassen (konzeptuelles Transfer). Die konzeptuellen Informationen sind in einem probabilistischen Modell für die Gewichte der letzten Schicht des neuronalen Netzes kodiert, das als Prior für das probabilistische k-Schuss-Lernen dient. Wir zeigen, dass sogar ein einfaches probabilistisches Modell bei einem Standard-Datensatz für k-Schuss-Lernen einen großen Vorsprung gegenüber dem aktuellen Stand der Technik erzielt. Darüber hinaus ist es in der Lage, Unsicherheit präzise zu modellieren, was gut kalibrierte Klassifikatoren ermöglicht, und es ist leicht erweiterbar und flexibel, im Gegensatz zu vielen jüngsten Ansätzen im Bereich des k-Schuss-Lernens.