【报告内容】

汇报人：贺国东

汇报单位：太原理工大学

主题：《Dual-Tree Genetic Programming for Few-Shot Image Classification》

1、Introduction

2、Method

3、Experiments

4、Conclusion

【报告总结】

1.待解决的问题描述

目前有两种主要方法来解决FSIC问题。第一种方法旨在使用不同的规则生成更多的图像，并将这些图像添加到小训练集中作为数据扩充。例如，新图像可以通过简单的规则生成，如旋转、翻转、模糊和裁剪。第二种侧重于迁移学习，即将学习到的模型和参数从具有大量训练实例的领域转移到FSIC领域。然而，这些方法仍然有局限性。生成更多的数据来扩大训练集是很简单的，这样普通的图像分类方法就可以应用于FSIC。然而，生成的数据只为训练集带来有限的信息。生成的数据也有可能损害分类性能。对于第二类方法，有必要找到相似的源域数据集来进行有效的知识转移。当实例数量很少时，知识转移可能会有所帮助。然而，在一些真实世界的场景中，并不总是能够找到具有足够训练实例的源数据集，这些训练实例与FSIC任务类似。更重要的是，迁移学习本身很困难，需要对迁移什么、如何迁移以及何时迁移进行更多的调查。因此，本研究的重点是在不使用数据扩充和迁移学习的情况下解决FSIC，即遵循传统但简单的分类程序，只使用FSIC任务的训练集。

2.相关创新方案

1）开发了一种DTGPN方法来解决FSIC问题。

2）DTGPN中采用了对偶树表示，以提高其可搜索性和学习性能。

3）为了在不增加太多计算成本的情况下提高DTGPN的泛化性能，开发了一种新的适应度函数。

3.实验总结

1）在3-shot和5-shot场景下，在9个不同难度的数据集上检查了DTGPN的性能。结果表明，DTGPN的分类性能明显优于baseline methods和五种先进的FSIC方法。

2）进一步的分析表明，与单树表示相比，具有双树表示的DTGPN具有更好的搜索能力，并学习了相对较多的特征，以实现更好的分类性能。分析还表明，所提出的适应度函数提高了DTGPN的泛化性能。对DTGPN进化的示例树的分析显示了潜在的高可解释性。

4.未来工作

本文是第一篇在不使用数据扩充和迁移学习的情况下全面研究GP对FSIC的有效性的工作。所提出的方法的整个过程遵循标准的学习和分类过程，易于理解。然而，它不同于大多数现有的主要基于神经网络或使用神经网络作为主干的FSIC算法。这使得很难在众所周知的基准数据集上验证所提出的方法的性能，如Omniglot和miniImageNet，并将其与其他FSIC算法进行比较。未来，我们将开发新的GP方法，并将其应用于先进的FSIC基准数据集。其次，该方法中的区域检测算子不是位置不变的。未来，我们还将在GP中开发新的平移不变区域检测算子，用于特征提取和学习。

报告时间：2023年11月24日19:30

腾讯会议：371 3868 6615

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)