面向跨域少样本分类的批谱正则化特征变换集成模型
计算机视觉与模式识别
2020-05-22 v3
摘要
本文针对跨域少样本学习（CD-FSL）挑战，提出一种带批谱正则化的特征变换集成模型。具体而言，我们提出在特征提取网络之后执行多样化的特征变换以构建集成预测模型。在该模型的每个分支预测网络上，我们使用批谱正则化项在预训练阶段抑制特征矩阵的奇异值，以提升模型的泛化能力。所提模型随后可在目标域中微调以解决少样本分类问题。我们还进一步应用标签传播、熵最小化与数据增强来缓解目标域中有标签数据的匮乏。实验在包含四个目标域的若干 CD-FSL 基准任务上进行，结果证明了我们所提模型的优越性。
引用
@article{arxiv.2005.08463,
title = {Feature Transformation Ensemble Model with Batch Spectral Regularization for Cross-Domain Few-Shot Classification},
author = {Bingyu Liu and Zhen Zhao and Zhenpeng Li and Jianan Jiang and Yuhong Guo and Jieping Ye},
journal= {arXiv preprint arXiv:2005.08463},
year = {2020}
}