通过对抗任务增强的跨域少样本分类
计算机视觉与模式识别
2021-05-04 v2
摘要
少样本分类旨在用每类少量标注样本识别未见类。许多少样本分类的元学习模型精心设计了各种任务共享归纳偏置（元知识）来解决此类任务，并取得了令人印象深刻的性能。然而，当训练任务与测试任务之间存在域偏移时，所获得的归纳偏置无法跨域泛化，导致元学习模型性能下降。本工作中，我们旨在通过任务增强提升归纳偏置的鲁棒性。具体地，我们考虑源任务分布附近的最坏情况问题，并提出对抗任务增强方法，可生成归纳偏置自适应的“挑战性”任务。我们的方法可作为简单即插即用模块用于各种元学习模型，提升其跨域泛化能力。我们在跨域设定下使用九个少样本分类数据集进行了大量实验：mini-ImageNet、CUB、Cars、Places、Plantae、CropDiseases、EuroSAT、ISIC 和 ChestX。实验结果表明，我们的方法能有效提升域偏移下元学习模型的少样本分类性能，并优于已有工作。我们的代码见 https://github.com/Haoqing-Wang/CDFSL-ATA。
引用
@article{arxiv.2104.14385,
title = {Cross-Domain Few-Shot Classification via Adversarial Task Augmentation},
author = {Haoqing Wang and Zhi-Hong Deng},
journal= {arXiv preprint arXiv:2104.14385},
year = {2021}
}
备注
Accepted by IJCAI-21 (the 30th International Joint Conference on Artificial Intelligence) Main Track