基于合并投影与潜在空间预留的跨域小样本学习
计算机视觉与模式识别
2025-11-19 v2 人工智能
机器学习
摘要
尽管跨域小样本学习取得了进展，但结合原型分类器的 DINO 预训练模型仍优于最新的 SOTA 方法。需要克服的一个关键限制是，由于标记样本稀缺，更新过多的 Transformer 参数会导致过拟合。为了应对这一挑战，我们提出了一个新概念——合并投影，作为软提示的有效继任者。此外，我们提出了一种新颖的伪类生成方法，结合自监督变换，仅依赖基础域来准备网络以应对来自不同域的未见样本。所提出的方法在 BSCD-FSL 基准的极端域偏移问题上的综合实验中展现了其有效性。我们的代码发布于 \href{https://github.com/Naeem-Paeedeh/CPLSR}{https://github.com/Naeem-Paeedeh/CPLSR}。
引用
@article{arxiv.2507.15243,
title = {Cross-Domain Few-Shot Learning with Coalescent Projections and Latent Space Reservation},
author = {Naeem Paeedeh and Mahardhika Pratama and Imam Mustafa Kamal and Wolfgang Mayer and Jimmy Cao and Ryszard Kowlczyk},
journal= {arXiv preprint arXiv:2507.15243},
year = {2025}
}