基于增强嵌入的对比原型学习用于少样本学习
计算机视觉与模式识别
2021-01-26 v1
摘要
大多数近期的少样本学习 (FSL) 方法基于带有情景训练的元学习。在每个元训练情景中，首先在内循环中由支持集构建判别性特征嵌入和/或分类器，然后在外循环中使用查询集进行评估以更新模型。然而，这种以查询集样本为中心的学习目标在解决支持集中训练数据缺乏的问题上固有地受限。本文提出一种新颖的带增强嵌入的对比原型学习 (CPLAE) 模型来克服此限制。首先，对支持集和查询集均引入数据增强，每个样本现在表示为增强嵌入 (AE)，由原始与增强版本的拼接嵌入组成。其次，提出一种新颖的以支持集类原型为中心的对比损失用于对比原型学习 (CPL)。以类原型为锚点，CPL 旨在将同类查询样本拉近、异类查询样本推远。这种以支持集样本为中心的损失与现有的以查询为中心的损失高度互补，充分利用了每个情景中的有限训练数据。在多个基准上的大量实验表明，我们提出的 CPLAE 达到了新的 SOTA。
引用
@article{arxiv.2101.09499,
title = {Contrastive Prototype Learning with Augmented Embeddings for Few-Shot Learning},
author = {Yizhao Gao and Nanyi Fei and Guangzhen Liu and Zhiwu Lu and Tao Xiang and Songfang Huang},
journal= {arXiv preprint arXiv:2101.09499},
year = {2021}
}