基于元微调的跨域少样本学习
计算机视觉与模式识别
2020-08-26 v4 机器学习
摘要
本文中，我们解决了CVPR 2020挑战赛提出的新的跨域少样本学习基准。为此，我们基于领域自适应与少样本学习中的最先进方法构建了一个可训练以执行这两项任务的系统。受创建专为微调设计的模型这一需求的启发，我们探索将迁移学习（微调）与元学习算法相整合，以训练一个具有特定层、旨在后续微调阶段适应的网络。为此，我们修改了情景训练过程以包含基于一阶MAML的元学习算法，并使用图神经网络模型作为后续元学习模块。我们发现所提方法有助于显著提升准确率，尤其在结合数据增强时。在最终结果中，我们将该新方法与传统基线方法以简单集成结合，在基准上取得了73.78%的平均准确率。这相比仅在miniImagenet上训练的现有基准提升了6.51%。
引用
@article{arxiv.2005.10544,
title = {Cross-Domain Few-Shot Learning with Meta Fine-Tuning},
author = {John Cai and Sheng Mei Shen},
journal= {arXiv preprint arXiv:2005.10544},
year = {2020}
}
备注
CVPR 2020 Workshop on Visual Learning with Limited Labels (VL3)