利用无标签样本增强少样本图像分类
计算机视觉与模式识别
2021-10-22 v6 机器学习
机器学习
摘要
我们提出了一种直推式元学习方法,利用无标签样本提升少样本图像分类性能。我们的方法将基于正则化马氏距离的软 k-means 聚类过程与改进的当前最优神经自适应特征提取器相结合,以利用无标签数据实现提升的测试时分类准确率。我们在直推式少样本学习任务上评估了我们的方法,其目标是在给定一组支撑(训练)样本的情况下联合预测查询(测试)样本的标签。我们在 Meta-Dataset、mini-ImageNet 和 tiered-ImageNet 基准上取得了当前最优性能。所有训练模型和代码已在 github.com/plai-group/simple-cnaps 公开可用。
引用
@article{arxiv.2006.12245,
title = {Enhancing Few-Shot Image Classification with Unlabelled Examples},
author = {Peyman Bateni and Jarred Barber and Jan-Willem van de Meent and Frank Wood},
journal= {arXiv preprint arXiv:2006.12245},
year = {2021}
}