GCT：面向半监督少样本学习的图协同训练
计算机视觉与模式识别
2024-03-20 v4
摘要
少样本学习（FSL）旨在解决数据稀缺问题，近年来受到广泛关注。一种流行的 FSL 框架包含两个阶段：（i）预训练阶段利用基类数据训练基于 CNN 的特征提取器。（ii）元测试阶段将冻结的特征提取器应用于新类数据（新类数据与基类数据类别不同）并设计分类器进行识别。为纠正少样本数据分布，研究者通过引入无标签数据提出了半监督少样本学习（SSFSL）。尽管 SSFSL 已在 FSL 领域被证明取得了优异性能，但仍存在一个根本问题：由于跨类别设置，预训练的特征提取器无法完美适应新类数据。通常，新类特征中会引入大量噪声。我们将其称为特征提取器不适应（FEM）问题。为应对 FEM，本文做出两方面努力。首先，我们提出一种新颖的标签预测方法——孤立图学习（IGL）。IGL 引入拉普拉斯算子将原始数据编码到图空间，从而在分类时减少对特征的依赖，然后将图表示投影到标签空间进行预测。关键在于：IGL 能从特征表示角度削弱噪声的负面影响，并且可灵活独立地完成训练与测试流程，适用于 SSFSL。其次，我们将所提出的 IGL 扩展到协同训练框架，从多模态融合角度提出图协同训练（GCT）以应对该挑战。GCT 是一种半监督方法，利用具有两种模态特征的无标签样本交叉增强 IGL 分类器。
引用
@article{arxiv.2203.07738,
title = {GCT: Graph Co-Training for Semi-Supervised Few-Shot Learning},
author = {Rui Xu and Lei Xing and Shuai Shao and Lifei Zhao and Baodi Liu and Weifeng Liu and Yicong Zhou},
journal= {arXiv preprint arXiv:2203.07738},
year = {2024}
}