跨域少样本学习的更广泛研究
计算机视觉与模式识别
2020-07-21 v3 机器学习
摘要
少样本学习的最新进展很大程度上依赖于用于元学习的标注数据：从与新颖类别相同域中采样的基类。然而，在许多应用中，收集用于元学习的数据是不可行或不可能的。这导致了跨域少样本学习问题，其中基类与新颖类别域之间存在较大偏移。尽管已有对跨域少样本场景的探究，这些工作局限于仍具有高度视觉相似性的自然图像。尚未有研究考察真实世界场景中不同成像方法间的少样本学习，例如航拍与医学成像。本文提出广泛跨域少样本学习（BSCD-FSL）基准，由来自多种不同图像采集方法的图像数据组成。这包括自然图像（如作物病害图像），还包括与自然图像差异渐增的图像，如卫星图像、皮肤镜图像和放射图像。在所提基准上进行了大量实验，以评估最先进的元学习方法、迁移学习方法以及较新的跨域少样本学习方法。结果表明，最先进的元学习方法出人意料地被更早的元学习方法超越，且所有元学习方法相对于简单微调平均准确率落后 12.8%。先前在专门面向跨域少样本学习的方法上观察到的性能提升在这一更具挑战性的基准中消失。最后，所有方法的准确率往往与数据集相对于自然图像的相似性相关，验证了该基准能更好代表实践中所见数据多样性并指导未来研究的价值。
引用
@article{arxiv.1912.07200,
title = {A Broader Study of Cross-Domain Few-Shot Learning},
author = {Yunhui Guo and Noel C. Codella and Leonid Karlinsky and James V. Codella and John R. Smith and Kate Saenko and Tajana Rosing and Rogerio Feris},
journal= {arXiv preprint arXiv:1912.07200},
year = {2020}
}
备注
ECCV 2020. Website: https://www.learning-with-limited-labels.com/