用于少样本图像分类的冻结特征增强

在预训练视觉模型输出（即所谓的“冻结特征”）之上训练线性分类器或轻量级模型，能够在许多下游少样本任务中取得令人瞩目的性能。目前，冻结特征在训练过程中不作修改。另一方面，当网络直接在图像上进行训练时，数据增强是提升性能且无大量额外开销的标准方案。在本文中，我们针对少样本图像分类进行了一项广泛的先导研究，探索了在冻结特征空间中应用数据增强（被称为“冻结特征增强”）的方法，共涵盖了二十种增强操作。我们的研究表明，采用看似简单的逐点冻结特征增强（例如亮度调整），能够在三种网络架构、三个大型预训练数据集和八个迁移数据集上持续提升少样本性能。