无标签少样本学习
计算机视觉与模式识别
2020-12-29 v1 机器学习
摘要
少样本学习者的目标是在仅给定少量训练样本的情况下识别新类别。核心挑战是避免对有限数据过拟合，同时确保对新颖类别的良好泛化。现有文献通过简单地将标签需求从新类别转移到基类别，来利用大量标注数据。由于数据标注耗时且昂贵，进一步降低标签需求是一个重要目标。为此，我们的论文提出了一种更具挑战性的少样本设定，在训练或测试期间均不允许访问标签。通过利用自监督学习图像表示以及测试时图像相似性进行分类，我们在使用 \textbf{零} 标签的情况下达到了具有竞争力的基线，这至少比最先进水平使用的标签更少。我们希望这项工作是朝着开发完全不依赖标注数据的少样本学习方法迈出的一步。我们的代码将公开发布。
引用
@article{arxiv.2012.13751,
title = {Few Shot Learning With No Labels},
author = {Aditya Bharti and N. B. Vineeth and C. V. Jawahar},
journal= {arXiv preprint arXiv:2012.13751},
year = {2020}
}