基于源间风格化的跨域少样本分类
计算机视觉与模式识别
2023-08-30 v2
摘要
跨域少样本分类（CDFSC）的目标是利用标注丰富的辅助数据集的知识，在两类数据集领域存在差异的情况下，以有限的标注数据对目标数据集进行准确分类。现有的一些方法需要来自多个领域的标注样本进行模型训练。然而，当样本标签稀缺时，这些方法会失效。为克服这一挑战，本文提出了一种利用多个源域而无需额外标注成本的解决方案。具体而言，其中一个源域被完全标注，而其他源域无标注。随后引入源间风格化网络（ISSNet）以增强多个源域间的风格化，丰富数据分布并提升模型的泛化能力。在 8 个目标数据集上的实验表明，与多种基线方法相比，ISSNet 利用了来自多个源数据的未标注数据，并显著降低了领域鸿沟对分类性能的负面影响。
引用
@article{arxiv.2208.08015,
title = {Cross-Domain Few-Shot Classification via Inter-Source Stylization},
author = {Huali Xu and Shuaifeng Zhi and Li Liu},
journal= {arXiv preprint arXiv:2208.08015},
year = {2023}
}
备注
5 pages