通过跨视觉域的情景元学习实现未见过域中的少样本分类
计算机视觉与模式识别
2021-12-28 v1
摘要
少样本分类旨在仅给定感兴趣类别的少量标注样本的情况下进行分类。尽管已提出若干方法，现有多数少样本学习（FSL）模型假设基类和新颖类来自同一数据域。当识别未见过域中的新颖类数据时，这成为更具挑战性的域泛化少样本分类任务。本文中，我们提出一种用于域泛化少样本分类的独特学习框架，其中基类来自同质的多个源域，而待识别的新颖类来自训练时未见过的目标域。通过改进元学习策略，我们的学习框架利用多个源域的数据捕获域不变特征，并通过基于度量学习的支持集与查询集数据机制引入 FSL 能力。我们进行了大量实验以验证所提学习框架的有效性，并表明从少量但同质的源数据学习能够优于从大规模源数据学习。此外，我们提供了关于域泛化少样本分类中骨干模型选择的见解。
引用
@article{arxiv.2112.13539,
title = {Few-Shot Classification in Unseen Domains by Episodic Meta-Learning Across Visual Domains},
author = {Yuan-Chia Cheng and Ci-Siang Lin and Fu-En Yang and Yu-Chiang Frank Wang},
journal= {arXiv preprint arXiv:2112.13539},
year = {2021}
}
备注
Accepted by ICIP 2021