通过移除至质心的投影缓解少样本学习中的样本选择偏差
计算机视觉与模式识别
2022-11-01 v1
摘要
少样本学习（FSL）旨在使视觉模型在缺乏充足标注时泛化至未见任务。尽管出现了许多少样本学习方法，样本选择偏差问题（即对有限支持数据量的敏感性）尚未被很好理解。本文发现该问题通常发生于支持样本位置靠近任务质心（任务中所有类质心的均值）时。这促使我们提出一种极简的特征变换以缓解此问题，称为任务质心投影移除（TCPR）。TCPR 直接应用于给定任务中的所有图像特征，旨在移除特征沿任务质心方向的维度。虽然从有限数据无法准确获得确切任务质心，我们利用与各支持特征之一相似的基特征对其进行估计。我们的方法有效防止特征过于靠近任务质心。在十个不同领域数据集上的大量实验表明，TCPR 能可靠地提升跨多种特征提取器、训练算法与数据集的分类准确率。代码已发布于 https://github.com/KikimorMay/FSL-TCBR。
引用
@article{arxiv.2210.16834,
title = {Alleviating the Sample Selection Bias in Few-shot Learning by Removing Projection to the Centroid},
author = {Jing Xu and Xu Luo and Xinglin Pan and Wenjie Pei and Yanan Li and Zenglin Xu},
journal= {arXiv preprint arXiv:2210.16834},
year = {2022}
}
备注
Accepted at NeurIPS 2022