一种用于少样本学习的转导式最大间隔分类器
计算机视觉与模式识别
2021-10-29 v3
摘要
少样本学习旨在训练一个分类器，使其在每类仅给定少量标注样本时能良好泛化。我们引入了用于少样本学习的转导式最大间隔分类器（FS-TMMC）。经典最大间隔分类器的基本思想是求解一个最优预测函数，使得训练数据能被所得分类器以最大几何间隔正确分类。在少样本学习中，由于支持集中训练数据的不足，寻找具有良好泛化能力的此类分类器具有挑战性。FS-TMMC 利用无标注查询样本来调整最大间隔分类器的分离超平面，使得预测函数在支持集和查询集上均最优。此外，我们使用一种高效且有效的拟牛顿算法，即 L-BFGS 方法进行优化。在包括 miniImagenet、tieredImagenet 和 CUB 三个标准少样本学习基准上的实验结果表明，我们的方法达到了最先进的性能。
引用
@article{arxiv.2107.11975,
title = {A Transductive Maximum Margin Classifier for Few-Shot Learning},
author = {Fei Pan and Chunlei Xu and Jie Guo and Yanwen Guo},
journal= {arXiv preprint arXiv:2107.11975},
year = {2021}
}