CLEAR: Cumulative LEARning for One-Shot One-Class Image Recognition

123：****

CLEAR: Cumulative LEARning for One-Shot One-Class Image Recognition

基于累积学习的一次性单类图像识别

1.对象识别任务、单样本、OSOC识别模型、迁移学习

2.本文基于单个图像示例估计新类的分类决策边界。此方法利用转移学习来模拟从卷积神经网络提取的输入表示到分类决策边界的转换。我们使用深度神经网络从图像的大型标记数据集及其相关的类决策边界学习这种转换，然后应用学习的决策边界对后续查询图像进行分类。 3.训练单样本迁移学习模型的具体方法。虚线：生成训练数据的图形表示。使用从ImageNet中的所有图像中提取的特征向量f，我们创建了J个决策边界w，每个对象类别一个。实线：生成的训练数据对{fji，wj}然后用于训练深度前馈神经网络。

//从图像集中选出一个新的训练样本X ij，一张查询图片X'ij（测试样本），通过CNN，可以直接得出某一类的识别范围为Wj, 判定是否可划分为同一类Wj .

4.本文测试了几种基准数据集的方法，并且显著的优于基线方法。

5.本文的优点是：直接处理图像、无需负面例子作为训练集、迁移学习新增分类或者训练集数据增加时无需重新训练。

6.作者是 ：Jedrzej Kozerawski 、Matthew Turk 美国