平坦性提升小样本分类中的骨干网络泛化能力
机器学习
2025-03-19 v2 计算机视觉与模式识别
摘要
深度神经网络在真实场景中的部署通常需要适应仅有少量示例的新任务。小样本分类（FSC）通过利用预训练的骨干网络快速适应新类别，为这一问题提供了解决方案。然而，多域小样本分类的方法通常导致复杂的流程，旨在进行信息融合和任务特定适应，而未考虑骨干网络训练的重要性。在这项工作中，我们通过利用平坦性感知训练和微调，为多域小样本分类中的骨干网络训练与选择引入了一种有效策略。我们的工作具有理论基础，并且在更简单的同时，经验性能与最先进的方法相当或更优。此外，我们的结果表明，在不同的适应方法中，骨干网络训练对于小样本分类的良好泛化至关重要。
引用
@article{arxiv.2404.07696,
title = {Flatness Improves Backbone Generalisation in Few-shot Classification},
author = {Rui Li and Martin Trapp and Marcus Klasson and Arno Solin},
journal= {arXiv preprint arXiv:2404.07696},
year = {2025}
}