面向转导少样本学习的自适应锚点标签传播
计算机视觉与模式识别
2023-11-01 v1
摘要
少样本学习解决了利用有限标注数据对图像进行分类的问题。通过转导推理方法（如标签传播）利用未标注数据，已被证明能显著提升少样本学习的性能。标签传播通过利用构建的图来推断未标注数据的伪标签，该图挖掘了数据的底层流形结构。然而，现有标签传播方法的一个局限在于所有数据点的位置是固定的，可能并非最优，从而导致算法无法达到最佳效果。在本工作中，我们提出了一种新颖算法，通过最小化可微损失函数来调整标注数据的特征嵌入，在此过程中优化其在流形中的位置。我们的新算法，自适应锚点标签传播（Adaptive Anchor Label Propagation），在1-shot和5-shot设定下分别比标准标签传播算法高出多达7%和2%。我们提供了在四个广泛使用的少样本基准数据集（即miniImageNet、tieredImageNet、CUB和CIFAR-FS）以及两个常用骨干网络（ResNet12和WideResNet-28-10）上凸显本算法优势的实验结果。源代码可在https://github.com/MichalisLazarou/A2LP找到。
引用
@article{arxiv.2310.19996,
title = {Adaptive Anchor Label Propagation for Transductive Few-Shot Learning},
author = {Michalis Lazarou and Yannis Avrithis and Guangyu Ren and Tania Stathaki},
journal= {arXiv preprint arXiv:2310.19996},
year = {2023}
}
备注
published in ICIP 2023