Few-Max：面向无监督对比表示学习的少样本域适应
计算机视觉与模式识别
2022-06-23 v2 人工智能
机器学习
摘要
对比自监督学习方法学会将图像等数据点映射到无需标签的非参数表示空间。尽管高度成功，当前方法在训练阶段需要大量数据。在目标训练集规模有限的情境下，已知泛化性能较差。在仅有少量目标样本可用的少样本情形下，于大型源数据集上预训练并在目标样本上微调易于过拟合。受此驱动，我们提出一种用于自监督对比学习的域适应方法，称为 Few-Max，以解决少样本学习下适应目标分布的问题。为量化表示质量，我们在包括 ImageNet、VisDA 与 fastMRI 在内的一系列源与目标数据集上评估 Few-Max，Few-Max 在其上一致优于其他方法。
引用
@article{arxiv.2206.10137,
title = {Few-Max: Few-Shot Domain Adaptation for Unsupervised Contrastive Representation Learning},
author = {Ali Lotfi Rezaabad and Sidharth Kumar and Sriram Vishwanath and Jonathan I. Tamir},
journal= {arXiv preprint arXiv:2206.10137},
year = {2022}
}