用于不平衡直推式少样本学习的自适应流形
计算机视觉与模式识别
2023-04-28 v1
摘要
直推式少样本学习算法通过利用无标签查询样本，已展现出相较归纳式对应方法显著更优的性能。然而，此类方法绝大多数在完全类别平衡的基准上评估。已有研究表明，在更真实的不平衡设定下，其性能发生显著下降。为此，我们提出一种解决不平衡直推式少样本学习的新算法，名为自适应流形（Adaptive Manifold）。我们的方法利用有标签支持样本与无标签查询样本的底层流形，通过使用流形相似性预测每个查询的类别概率分布。其由每类一个质心以及一组决定流形的图特定参数参数化。所有参数通过一个可朝向类别平衡或不平衡分布调节的损失函数优化。流形相似性相较欧氏距离展现出实质改善，尤其在 1-shot 设定下。我们的算法在三个基准数据集（即 miniImageNet、tieredImageNet 与 CUB）与三种不同骨干网络（即 ResNet-18、WideResNet-28-10 与 DenseNet-121）上优于或持平其他 SOTA 方法。在某些情况下，我们的算法以高达 4.2% 的优势超越先前 SOTA。
引用
@article{arxiv.2304.14281,
title = {Adaptive manifold for imbalanced transductive few-shot learning},
author = {Michalis Lazarou and Yannis Avrithis and Tania Stathaki},
journal= {arXiv preprint arXiv:2304.14281},
year = {2023}
}