用可学习视图的对比学习提升少样本分类
计算机视觉与模式识别
2021-08-02 v2
摘要
少样本分类的目标是用每类少量标注样本对新类别进行分类。如今，基于度量的元学习方法在解决少样本分类问题上展现出优异性能。然而，先前的方法在没有细粒度标签的情况下，很难在嵌入空间中区分细粒度子类别。这可能导致对细粒度子类别的泛化不佳，进而影响模型可解释性。为解决这个问题，我们将对比损失引入少样本分类，以学习嵌入空间中的潜在细粒度结构。此外，为克服当前对比学习中随机图像变换产生噪声大且不准确的图像对（即视图）的缺陷，我们提出了一种学习到学习（learning-to-learn）算法，自动生成同一图像的不同视图。在标准少样本学习基准上的大量实验证明了我们方法的优越性。
引用
@article{arxiv.2107.09242,
title = {Boosting Few-Shot Classification with View-Learnable Contrastive Learning},
author = {Xu Luo and Yuxuan Chen and Liangjian Wen and Lili Pan and Zenglin Xu},
journal= {arXiv preprint arXiv:2107.09242},
year = {2021}
}
备注
8 pages, 4 figures