FoPro：少样本引导的稳健网络监督原型学习

近来，网络监督学习（WSL）被研究以利用来自互联网的丰富且易得的数据。多数现有方法聚焦于从网络图像中学习噪声稳健模型，却忽视了网络域与真实域之间的差异所导致的性能下降。然而，只有解决上述性能差距，我们才能充分挖掘网络数据集的实际价值。为此，我们提出一种少样本引导的原型（FoPro）表示学习方法，其仅需少量来自真实的标注样本，即可显著提升在真实域中的性能。具体而言，我们以少样本真实数据初始化各类中心作为“真实”原型。随后，通过对比学习缩小网络实例与“真实”原型之间的类内距离。最后，我们以可学习度量衡量图像-原型距离。原型由相邻高质量网络图像打磨，并参与移除远距离分布外样本。实验中，FoPro以少量真实样本引导在网络数据集上训练，并在真实数据集上评估。我们的方法在三个细粒度数据集与两个大规模数据集上取得最先进（state-of-the-art）性能。在相同少样本设定下，相较于现有WSL方法，FoPro在真实泛化上仍表现优异。代码见 https://github.com/yuleiqin/fopro。