基于未标注图像部件发现与增强的小样本学习
计算机视觉与模式识别
2021-05-26 v1
摘要
小样本学习是一项具有挑战性的任务，因为仅提供少量样本用于识别未见类别。缓解该问题的一种方法是通过在相似任务上进行元学习来获得强归纳偏置。本文中，我们表明这种归纳偏置可以从一组扁平的未标注图像中学习，并实例化为可见类别与未见类别之间可迁移的表示。具体而言，我们提出了一种新颖的基于部件的自监督表示学习方案，通过最大化图像与其判别性部件之间的相似性来学习可迁移表示。为缓解数据稀缺导致的小样本分类过拟合，我们进一步提出了一种部件增强策略，从基础数据集中检索额外图像。我们在 miniImageNet 和 tieredImageNet 基准上进行了系统研究。值得注意的是，我们的方法取得了令人印象深刻的成果，在 5-way 1-shot 和 5-way 5-shot 设定下分别比先前最佳无监督方法高出 7.74% 和 9.24%，与最先进的监督方法相当。
引用
@article{arxiv.2105.11874,
title = {Few-Shot Learning with Part Discovery and Augmentation from Unlabeled Images},
author = {Wentao Chen and Chenyang Si and Wei Wang and Liang Wang and Zilei Wang and Tieniu Tan},
journal= {arXiv preprint arXiv:2105.11874},
year = {2021}
}
备注
Accepted by IJCAI 2021