利用自监督提升小样本视觉学习
计算机视觉与模式识别
2019-06-13 v1 机器学习
摘要
小样本学习和自监督学习解决了同一问题的不同方面：如何在没有或仅有少量标注数据的情况下训练模型。小样本学习旨在寻找能够在低数据量情形下高效学习识别模式的优化方法和模型。自监督学习则专注于无标注数据，并从中寻找监督信号来供给高容量深度神经网络。在这项工作中，我们利用这两个领域的互补性，提出了一种通过自监督改进小样本学习的方法。我们将自监督作为小样本学习流程中的辅助任务，使特征提取器在使用少量标注样本的同时，能够学习到更丰富、更具可迁移性的视觉表征。通过自监督，我们的方法可以自然地扩展到在小样本设定中使用来自其他数据集的多样化无标注数据。我们报告了在一系列架构、数据集和自监督技术上的持续改进。
引用
@article{arxiv.1906.05186,
title = {Boosting Few-Shot Visual Learning with Self-Supervision},
author = {Spyros Gidaris and Andrei Bursuc and Nikos Komodakis and Patrick Pérez and Matthieu Cord},
journal= {arXiv preprint arXiv:1906.05186},
year = {2019}
}