一种用于跨域少样本学习的转导式多头模型
计算机视觉与模式识别
2020-06-23 v1 机器学习
摘要
在本文中，我们提出一种新方法，即转导式多头少样本学习（TMHFS），以应对跨域少样本学习（CD-FSL）挑战。TMHFS 方法扩展了 Meta-Confidence Transduction（MCT）和 Dense Feature-Matching Networks（DFMN）方法[2]，在公共特征嵌入网络之后引入一个新的预测头，即基于语义信息的实例级全局分类网络。我们在源域中同时使用多个头（即 MCT 损失、DFMN 损失和语义分类器损失）训练嵌入网络。对于目标域中的少样本学习，我们首先仅使用语义全局分类器和支持实例对嵌入网络进行微调，然后使用 MCT 部分结合微调后的嵌入网络预测查询集的标签。此外，我们在微调和测试阶段进一步利用数据增强技术以提升预测性能。实验结果表明，所提方法在四个不同目标域上大幅优于强基线方法 fine-tuning。
引用
@article{arxiv.2006.11384,
title = {A Transductive Multi-Head Model for Cross-Domain Few-Shot Learning},
author = {Jianan Jiang and Zhenpeng Li and Yuhong Guo and Jieping Ye},
journal= {arXiv preprint arXiv:2006.11384},
year = {2020}
}