Few-Shot RecognitionのためのKnowledge Graph Transfer Network

少数回学習（few-shot learning）は、十分な訓練サンプルを備えたベースカテゴリを前提として、極めて少ないサンプルから新たなカテゴリを学習することを目的としている。このタスクの主な課題は、新たなカテゴリが、物体の色・質感・形状、あるいは背景コンテキストといった特徴（すなわち「特異性」）に支配されやすい点にある。これらの特徴は、与えられた少数の訓練サンプルにおいて顕著であるが、そのカテゴリ全体の共通特性とは言えない（図1を参照）。幸いにも、我々は関連するベースカテゴリからの情報転移が、新たな概念の学習を助け、特異性による支配を回避するのに有効であることを発見した。さらに、異なるカテゴリ間の意味的関連性を組み込むことで、この情報転移を効果的に正則化できる。本研究では、意味的関連性を構造化された知識グラフ（knowledge graph）の形で表現し、このグラフを深層ニューラルネットワークに統合することで、新たな「知識グラフ転移ネットワーク（Knowledge Graph Transfer Network: KGTN）」を提案する。具体的には、各ノードを対応するカテゴリの分類器重みで初期化し、グラフ上でノード間のメッセージを適応的に伝搬する学習可能な伝搬メカニズムを導入することで、ノード間の相互作用を探索し、ベースカテゴリの分類器情報を新たなカテゴリに転移する。ImageNetデータセットにおける広範な実験により、既存の最先端手法と比較して顕著な性能向上が確認された。さらに、6,000クラスに及ぶより大規模なカテゴリをカバーするImageNet-6Kデータセットを構築し、その上で実施された実験により、本手法の有効性がさらに裏付けられた。本研究のコードおよびモデルは、https://github.com/MyChocer/KGTN にて公開されている。