基于任务特定适配器的跨域少样本学习
计算机视觉与模式识别
2022-05-05 v4
摘要
在本文中，我们关注跨域少样本分类问题，旨在从先前未见过的类别和域中利用少量标注样本学习分类器。近期方法广泛地通过以任务无关和任务特定权重参数化其少样本分类器来解决该问题，其中前者通常在大型训练集上学习，后者通过以小型支撑集为条件的辅助网络动态预测。在本工作中，我们聚焦于后者的估计，并提议直接在小型支撑集上从头学习任务特定权重，而非动态估计它们。具体而言，通过系统性分析，我们展示了以矩阵形式并通过残差连接至骨干网络多个中间层的参数化适配器中的任务特定权重，以微小的额外代价显著提升了 Meta-Dataset 基准中 SOTA 模型的性能。
引用
@article{arxiv.2107.00358,
title = {Cross-domain Few-shot Learning with Task-specific Adapters},
author = {Wei-Hong Li and Xialei Liu and Hakan Bilen},
journal= {arXiv preprint arXiv:2107.00358},
year = {2022}
}
备注
CVPR2022, Code will be available at https://github.com/VICO-UoE/URL