基于渐进式机器学习的少样本图像分类

少样本图像分类旨在仅使用少量标记样本对未标记图像进行准确分类。最先进的解决方案由深度学习构建，侧重于设计日益复杂的深度骨干网络。遗憾的是，由于将在训练类中学习到的知识迁移到新类的困难，该任务仍然非常具有挑战性。在本文中，我们提出了一种基于渐进式机器学习（GML）的非独立同分布范式的新方法。它从仅少量标记观测开始，然后通过因子图中的迭代因子推断按难度递增的顺序逐步标记目标图像。具体而言，我们提出的方案通过深度骨干网络提取指示性特征表示，并基于所提取特征构建一元与二元因子以促进渐进式学习。一元因子基于嵌入空间中的类中心距离构建，而二元因子基于 k 近邻构建。我们通过对基准数据集的比较研究实证验证了所提方法的性能。我们广泛的实验表明，所提方法在准确率方面可将 SOTA 性能提升 1-5%。更值得注意的是，它比现有深度模型更鲁棒，因为其性能可随查询集规模增大而持续提升，而深度模型的性能基本持平甚至变差。