通过紧凑且对齐的表示学习实现跨域跨集少样本学习
计算机视觉与模式识别
2022-07-19 v1
摘要
少样本学习（FSL）旨在利用基数据集的先验知识，仅通过少量支持样本识别新查询。本文考虑FSL中的域偏移问题，旨在解决支持集与查询集之间的域鸿沟。不同于以往考虑基类别与新类别间域偏移的跨域FSL工作（CD-FSL），这一称为跨域跨集FSL（CDSC-FSL）的新问题要求少样本学习器不仅适应新域，还要在每个新类别内跨不同域保持一致。为此，我们提出一种新方法stabPA，学习原型紧凑且跨域对齐的表示，从而同时解决域偏移与少样本学习。我们在分别基于DomainNet和Office-Home数据集构建的两个新CDCS-FSL基准上评估了我们的方法。显著地，我们的方法大幅优于多个精细基线，例如在DomainNet上平均提升5-shot准确率6.0个百分点。代码见 https://github.com/WentaoChen0813/CDCS-FSL
引用
@article{arxiv.2207.07826,
title = {Cross-Domain Cross-Set Few-Shot Learning via Learning Compact and Aligned Representations},
author = {Wentao Chen and Zhang Zhang and Wei Wang and Liang Wang and Zilei Wang and Tieniu Tan},
journal= {arXiv preprint arXiv:2207.07826},
year = {2022}
}
备注
Accepted by ECCV 2022