域自适应少样本开集学习
计算机视觉与模式识别
2023-10-03 v1
摘要
少样本学习在解决识别目标查询集中来自新类别的未知样本以及处理域间视觉偏移等关键挑战方面取得了令人瞩目的进展。然而，现有技术通过学会拒绝源域中的伪离群点来识别域偏移下的目标离群点时尚有不足，导致对这两个问题的解决方案并不完整。为全面应对这些挑战，我们提出了一种称为域自适应少样本开集识别（DA-FSOS）的新方法，并引入了名为 DAFOSNET 的基于元学习的架构。在训练过程中，给定全监督源域和标签不相交的少样本目标域，我们的模型学习一个共享且具有判别力的嵌入空间，同时创建伪开放空间决策边界。为增强数据密度，我们使用一对具有可调噪声方差的条件对抗网络来增广两域的封闭空间与伪开放空间。此外，我们提出一种域特定批归一化类原型对齐策略，以在新度量目标下全局对齐两域同时确保类判别性。我们的训练方法确保 DAFOS-NET 能很好地泛化到目标域中的新场景。我们基于 Office-Home、mini-ImageNet/CUB 和 DomainNet 数据集提出了三个 DA-FSOS 基准，并通过大量实验证明了 DAFOS-NET 的有效性。
引用
@article{arxiv.2309.12814,
title = {Domain Adaptive Few-Shot Open-Set Learning},
author = {Debabrata Pal and Deeptej More and Sai Bhargav and Dipesh Tamboli and Vaneet Aggarwal and Biplab Banerjee},
journal= {arXiv preprint arXiv:2309.12814},
year = {2023}
}