変分特徴分解を用いた細粒度少サンプル分類

細粒度少サンプル認識は、新規カテゴリに対する訓練データの不足という問題に直面することが多い。十分な訓練データが存在しないため、ネットワークは過学習を起こし、未観測クラスへの一般化能力が低下する傾向がある。これを改善するために、多数の手法が提案されてきたが、その多くは追加の訓練データを合成することで訓練を支援することに焦点を当てている。本研究では、未観測クラスのクラス内分散（intra-class variance）を拡大することに注目し、少サンプル分類性能の向上を目指す。我々は、ベースクラスと新規クラスの間でクラス内分散の分布が一般化可能であると仮定する。この仮定に基づき、ベースセットのクラス内分散の分布を学習し、それを新規セットに転移することで、特徴量の拡張を実現する。具体的には、まず変分推論（variational inference）を用いてベースセットにおけるクラス内分散の分布をモデル化する。その後、学習された分布を新規セットに転移し、追加の特徴量を生成する。これらの生成された特徴量と元の特徴量を組み合わせて分類器を訓練する。実験結果から、困難な細粒度少サンプル画像分類ベンチマークにおいて、既存の最先端手法を大きく上回る性能が確認された。