LEARN: 面向多任务域适应few-shot学习的统一框架
计算机视觉与模式识别
2024-12-24 v1 人工智能
机器学习
摘要
虽然few-shot学习和域适应等计算机视觉子领域近期在基于SOTA算法和数据集方面取得了显著进展,但构建结合两者的通用系统或框架尚未被探索。作为我们的研究,我们提出了首个结合域适应于few-shot学习设置的统一框架,覆盖3个不同任务:图像分类、目标检测和视频分类。我们的框架高度模块化,支持是否包含域适应的few-shot学习。此框架最重要的可配置特性是针对增量n-shot任务的即插即用 setup,并可选配置以扩展至传统many-shot任务。鉴于当前few-shot学习方法更关注自监督学习(SSL),我们的系统还支持多种SSL预训练配置。为测试框架能力,我们在广泛的算法和数据集上提供了基准测试,覆盖不同任务和问题设置。代码已开源并公开发布: https://gitlab.kitware.com/darpa_learn/learn
关键词
引用
@article{arxiv.2412.16275,
title = {LEARN: A Unified Framework for Multi-Task Domain Adapt Few-Shot Learning},
author = {Bharadwaj Ravichandran and Alexander Lynch and Sarah Brockman and Brandon RichardWebster and Dawei Du and Anthony Hoogs and Christopher Funk},
journal= {arXiv preprint arXiv:2412.16275},
year = {2024}
}