面向少样本学习的实例可信度推断
计算机视觉与模式识别
2020-04-06 v2 机器学习
摘要
少样本学习(FSL)旨在用每个类别极有限的训练数据识别新对象。以往的工作或通过借助元学习范式，或通过数据增强中的新原理来缓解这一极度数据稀缺问题。相比之下，本文提出一种简单的统计方法，称为实例可信度推断(ICI)，以利用无标签实例的分布支持来进行少样本学习。具体而言，我们首先用有标签的少样本样本训练一个线性分类器，并用它来推断无标签数据的伪标签。为了衡量每个伪标签实例的可信度，我们进而提出通过增加偶然参数的稀疏性来求解另一个线性回归假设，并依据其稀疏程度对伪标签实例进行排序。我们选取最可信的伪标签实例与有标签样本一起重新训练线性分类器。该过程迭代进行，直到所有无标签样本都被纳入扩充的训练集，即无标签数据池的伪标签收敛。在两种少样本设定下的广泛实验表明，我们的简单方法能在四个广泛使用的少样本学习基准数据集（包括 miniImageNet、tieredImageNet、CIFAR-FS 和 CUB）上建立新的 SOTA。我们的代码可在 https://github.com/Yikai-Wang/ICI-FSL 获取。
引用
@article{arxiv.2003.11853,
title = {Instance Credibility Inference for Few-Shot Learning},
author = {Yikai Wang and Chengming Xu and Chen Liu and Li Zhang and Yanwei Fu},
journal= {arXiv preprint arXiv:2003.11853},
year = {2020}
}
备注
accepted by CVPR 2020