用于跨域少样本学习的双重自适应表示对齐
计算机视觉与模式识别
2023-06-21 v1
摘要
少样本学习旨在从基础知识中学习，以有限的支撑样本识别新颖查询。该设定下近期进展假设基础知识与新颖查询样本分布于同一域中，而这在实际应用通常不可行。针对此问题，我们提出解决目标域中仅极少样本可用的跨域少样本学习问题。在此现实设定下，我们通过提出一种有效的双重自适应表示对齐方法，聚焦于元学习器的快速适应能力。在我们的方法中，首先提出原型特征对齐，将支撑实例重新校准为原型，并以可微分闭式解重新投影这些原型。因此，所学知识的特征空间可通过跨实例与跨原型关系自适应地变换到查询空间。除特征对齐外，我们进一步提出归一化分布对齐模块，其利用查询样本的先验统计量解决支撑与查询样本间的协变量偏移。借助这两个模块，构建了渐进式元学习框架，以极少样本执行快速适应同时保持其泛化能力。实验证据表明，我们的方法在 4 个 CDFSL 基准与 4 个细粒度跨域基准上取得了新的最先进结果。
引用
@article{arxiv.2306.10511,
title = {Dual Adaptive Representation Alignment for Cross-domain Few-shot Learning},
author = {Yifan Zhao and Tong Zhang and Jia Li and Yonghong Tian},
journal= {arXiv preprint arXiv:2306.10511},
year = {2023}
}
备注
13 pages; Accepted by IEEE T-PAMI