面向跨域少样本分类的自适应参数化原型学习
计算机视觉与模式识别
2023-09-06 v1 机器学习
摘要
由于训练与测试任务之间存在域偏移，跨域少样本分类比同域少样本分类更具挑战性。本文在元学习框架下提出一种新颖的自适应参数化原型学习（APPL）方法用于跨域少样本分类。与现有使用支持实例平均值计算类原型的原型少样本方法不同，我们提出以参数化方式从支持集的拼接特征中学习类原型，并通过在查询集上施加基于原型的正则化来元学习模型。此外，我们以直推方式在目标域中使用基于查询实例的加权移动平均自训练方法微调模型。我们在多个跨域少样本基准数据集上进行了实验。实证结果表明，APPL 优于许多最先进的跨域少样本学习方法。
引用
@article{arxiv.2309.01342,
title = {Adaptive Parametric Prototype Learning for Cross-Domain Few-Shot Classification},
author = {Marzi Heidari and Abdullah Alchihabi and Qing En and Yuhong Guo},
journal= {arXiv preprint arXiv:2309.01342},
year = {2023}
}