面向跨域少样本分类的对抗特征增强
计算机视觉与模式识别
2022-08-24 v1
摘要
现有基于元学习的方法通过从基类（源域）训练任务中学到的元知识，预测（目标域）测试任务中的新类标签。然而，由于跨域可能存在较大的域差异，大多数现有工作可能难以泛化到新类。为解决此问题，我们提出一种新颖的对抗特征增强（AFA）方法，以弥合少样本学习中的域差距。该特征增强通过最大化域差异来模拟分布变化。在对抗训练期间，域判别器通过学习区分增强特征（未见域）与原始特征（已见域）而得到训练，同时最小化域差异以获得最优特征编码器。所提方法是一个即插即用模块，可轻松集成到现有基于元学习的少样本学习方法中。在九个数据集上的大量实验证明了我们的方法相较于当前最优方法在跨域少样本分类上的优越性。代码见 https://github.com/youthhoo/AFA_For_Few_shot_learning
引用
@article{arxiv.2208.11021,
title = {Adversarial Feature Augmentation for Cross-domain Few-shot Classification},
author = {Yanxu Hu and Andy J. Ma},
journal= {arXiv preprint arXiv:2208.11021},
year = {2022}
}