#260
summarized by : Shuhei M Yoshida
Adversarial Feature Hallucination Networks for Few-Shot Learning

どんな論文か?

訓練画像がクラス当たり1〜5枚しか使えないfew-shot学習の論文。少数の学習データをデータ拡張によってかさ増しする従来のアプローチで、生成されるデータの識別性と多様性に難があるという問題を解消する。
placeholder

新規性

WGANによってデータ拡張を行う枠組みを提案。また、生成されたデータの識別性を高める損失関数 classification regularizer、多様性を高める損失関数 anti-collapse regularizerを提案。

結果

Few-shot学習の標準的なベンチマークであるmini-ImageNet, CUB200, CIFAR100で評価。データ拡張に基づくものをはじめ主要なfew-shot学習のアプローチよりも高い精度を達成。

その他(なぜ通ったか?等)