域自适应少样本学习
计算机视觉与模式识别
2020-03-20 v1
摘要
现有的少样本学习(FSL)方法隐含地假设少量目标类样本与源类样本来自同一域。然而在实践中该假设常常不成立——目标类可能来自不同的域。这带来了少训练样本下域自适应(DA)的额外挑战。本文处理了域自适应少样本学习(DA-FSL)问题，其需要在统一框架内解决 FSL 与 DA。为此，我们提出了一种新颖的域对抗原型网络(DAPN)模型。它旨在解决 DA-FSL 中的一个特定挑战：DA 目标意味着需要对齐源域与目标域的数据分布，通常通过一个共享的域自适应特征嵌入空间来实现；但 FSL 目标要求目标域每类分布必须不同于任何源域类的分布，这意味着跨域对齐分布可能损害 FSL 性能。因此，如何实现全局域分布对齐同时保持源/目标每类可判别性成为关键。我们的解决方案是在 DAPN 的域自适应特征嵌入学习之前显式增强源/目标每类分离，以减轻域对齐对 FSL 的负面影响。大量实验表明，我们的 DAPN 优于最先进的 FSL 与 DA 模型，以及它们的朴素组合。代码见 https://github.com/dingmyu/DAPN。
引用
@article{arxiv.2003.08626,
title = {Domain-Adaptive Few-Shot Learning},
author = {An Zhao and Mingyu Ding and Zhiwu Lu and Tao Xiang and Yulei Niu and Jiechao Guan and Ji-Rong Wen and Ping Luo},
journal= {arXiv preprint arXiv:2003.08626},
year = {2020}
}