利用无标签数据的跨域少样本学习
计算机视觉与模式识别
2021-01-21 v1 机器学习
摘要
少样本学习旨在解决数据稀缺问题。如果测试集与训练集之间存在域偏移，其性能将大幅下降。该设定被称为跨域少样本学习。然而，这是非常具有挑战性的，因为目标域在训练期间不可见。因此我们提出了一种新设定：提供来自目标域的一些无标签数据，这可以弥合源域与目标域之间的差距。使用 DomainNet 构建了该设定的基准。我们提出了一种自监督学习方法来充分利用有标签训练集和无标签集中的知识。大量实验表明，我们的方法大幅优于几种基线方法。我们还精心设计了情景训练流程，带来了显著的性能提升。
引用
@article{arxiv.2101.07899,
title = {Cross-domain few-shot learning with unlabelled data},
author = {Fupin Yao},
journal= {arXiv preprint arXiv:2101.07899},
year = {2021}
}