• pdf格式:http://papers.nips.cc/paper/8570-meta-reinforced-synthetic-data-for-one-shot-fine-grained-visual-recognition.pdf
• 代码:https://github.com/apple2373/MetaIRNet
• pdf幻灯片:https://drive.google.com/file/d/1YQtKEn4ySVqsMMU66dS1JvVhDWpO4Qqz/view?usp=sharing
• 海报:http://vision.soic.indiana.edu/wp/wp-content/uploads/satoshi-poster-edited2.pdf

作者@inproceedings {metasatoshi19 = {Satoshi Tsutsui, Yanwei Fu,大卫Crandall}, booktitle ={进步在神经信息处理系统(NeurIPS)}, title = {{Meta-Reinforced合成数据一次性细粒度的视觉识别}},年= {2019}}

我们引入一个有效的方法使用一个ImageNet-pre-trained图像发生器的目的提高细粒度数据匮乏的时候只有一次的分类。微调pre-trained发生器的方法,我们的初步研究发现,调整只批标准化的规模和移位参数可以产生一个视觉逼真的图像。这种方式适用于单一图像的方法较少依赖图像可用的数量。此外,虽然天真地将生成的图像添加到训练集不提高性能,我们表明,它可以提高性能,如果我们正确混合生成的图像与原图像。为了了解这种基因混合的参数,我们采用元学习的框架。我们实现这个想法和演示一个一致的和显著改善几个分类器在两个细粒度的基准数据集。

框架

我们元形象加强网络(MetaIRNet)有两个模块:图像融合网络和一次性分类网络。图像融合网络加强了生成图像,试图让他们有益的一次性分类器,而一次性适合分类的分类器学习表示看不见的例子和一些例子。由端到端网络都是训练有素的,所以损失back-propagates从分类器融合网络。

微调BigGAN用单一的形象

增强图像由MetaIRNet