FS-BAN：用于域泛化少样本分类的再生网络
计算机视觉与模式识别
2023-05-09 v4
摘要
传统的少样本分类（FSC）旨在利用有限的标注数据识别新类样本。近来，域泛化少样本分类（DG-FSC）被提出，其目标是识别来自未见域的新类样本。由于基类（训练中使用）与新类（评估中遇到）之间存在域偏移，DG-FSC 对许多模型提出了相当大的挑战。本工作中，我们为应对 DG-FSC 做出两项新颖贡献。第一项贡献是提出再生网络（BAN）情景训练，并全面考察其对 DG-FSC 的有效性。作为知识蒸馏的一种具体形式，BAN 已在闭集设定下的传统监督分类中展现出改进的泛化能力。这种改进的泛化促使我们研究 BAN 用于 DG-FSC，并表明 BAN 有望解决 DG-FSC 中遇到的域偏移。基于这些令人鼓舞的发现，我们的第二项（主要）贡献是提出少样本 BAN（FS-BAN），一种用于 DG-FSC 的新型 BAN 方法。我们提出的 FS-BAN 包含新颖的多任务学习目标：互正则化、错配教师与元控制温度，每一项都专门设计用以克服 DG-FSC 中核心且独特的挑战，即过拟合与域差异。我们分析了这些技术的不同设计选择。我们在六个数据集与三个基线模型上进行了全面的定量与定性分析及评估。结果表明，我们提出的 FS-BAN 持续提升了基线模型的泛化性能，并取得了 DG-FSC 的 SOTA 精度。项目主页：https://yunqing-me.github.io/Born-Again-FS/。
引用
@article{arxiv.2208.10930,
title = {FS-BAN: Born-Again Networks for Domain Generalization Few-Shot Classification},
author = {Yunqing Zhao and Ngai-Man Cheung},
journal= {arXiv preprint arXiv:2208.10930},
year = {2023}
}
备注
15 pages, 9 figures, 15 tables. IEEE Transactions on Image Processing (TIP), 2023