利用基于风格迁移的任务增强进行跨域少样本学习
计算机视觉与模式识别
2023-04-27 v2
摘要
在跨域少样本学习中，核心问题是源域上训练的模型难以泛化到目标域，尤其在域偏移较大时。受训练任务与目标任务间的域偏移通常可反映于其风格差异这一观察的启发，我们提出任务增强元学习（TAML），通过基于风格迁移的任务增强来提升域泛化能力。首先，引入多任务插值（MTI）融合来自多个不同风格任务的特征，从而提供更丰富的风格。此外，提出一种称为多任务风格迁移（MTST）的新型任务增强策略，对现有任务进行风格迁移以学习可判别的独立于风格的特征。我们还引入特征调制模块（FM）以添加随机风格并改善模型泛化性。所提 TAML 增加了训练任务风格的多样性，有助于训练出具有更好域泛化能力的模型。通过在两个流行的跨域少样本基准上的理论分析与充分实验证明了其有效性。
引用
@article{arxiv.2301.07927,
title = {Exploiting Style Transfer-based Task Augmentation for Cross-Domain Few-Shot Learning},
author = {Shuzhen Rao and Jun Huang and Zengming Tang},
journal= {arXiv preprint arXiv:2301.07927},
year = {2023}
}