基于深度度量迁移的有限标注数据标签传播

我们研究在每个对象类别仅由极少观测样本表示约束下的对象识别问题。半监督学习、迁移学习与少样本识别都关注以少量标注数据实现快速泛化。本文提出一个通用框架，利用无标注数据辅助这三类任务的泛化。我们的方法是通过将少量标注样本向大量无标注图像进行标签传播，从而生成多得多的训练数据。本文的主要贡献在于，我们表明当用于传播的相似性度量从其他相关领域迁移而来时，此类标签传播方案可极为有效。我们测试了多种有监督与无监督度量学习方法同多种标签传播算法的组合，发现我们的框架非常通用，不对任何特定技术敏感。通过如此利用无标注数据，我们在全部三类任务上均取得了显著提升。