跨域少样本学习中的大间隔机制与伪查询集
机器学习
2024-02-07 v2 机器学习
摘要
近年来，少样本学习问题受到大量关注。尽管以往多数工作的方法在单一域的数据集上训练和测试，跨域少样本学习是少样本学习问题中一个全新的分支，其中模型在训练与测试阶段处理不同域的数据集。在本文中，为解决模型在单一数据集上预训练（元训练）而在包括常见物体、卫星图像和医学图像在内的四个不同域的数据集上微调的问题，我们提出了一种新颖的大间隔微调方法（LMM-PQS），该方法由支持图像生成伪查询图像，并受人脸识别方法启发，以一大间隔机制微调特征提取模块。根据实验结果，LMM-PQS以显著优势超越基线模型，并表明我们的方法具有鲁棒性，且能以极少数据轻松将预训练模型适配到新域。
引用
@article{arxiv.2005.09218,
title = {Large Margin Mechanism and Pseudo Query Set on Cross-Domain Few-Shot Learning},
author = {Jia-Fong Yeh and Hsin-Ying Lee and Bing-Chen Tsai and Yi-Rong Chen and Ping-Chia Huang and Winston H. Hsu},
journal= {arXiv preprint arXiv:2005.09218},
year = {2024}
}
备注
Full version of the CDFSL competition report (in CVPRW'20), archived