有限数据下的机器学习

得益于强大计算资源、大数据与深度学习算法的可用性，我们在过去几年中于计算机视觉上取得了巨大进展。计算机视觉系统在一些任务上开始超越人类，如物体识别、物体检测、人脸识别与姿态估计。许多计算机视觉算法已部署于真实世界应用，并开始改善我们的生活质量。然而，大数据与标签并非总可获得。有时我们仅有非常有限的标注数据，例如需要专家标注的医学图像。本文中，我们研究少样本图像分类，其中我们仅有极少量标注数据。少数据机器学习是一大挑战。为应对此挑战，我们提出两种方法并充分检验其有效性。一种方法是通过混合这些图像的风格来增强图像特征。第二种方法是应用空间注意力以探索图像块之间的关系。我们还发现，当训练域与测试域不同时，域偏移是少样本学习中的关键问题。因此我们提出更现实的带无标签数据的跨域少样本学习设定，其中目标域有一些无标签数据可用。我们在此设定下提出两种方法。我们的第一种方法将无标签目标数据集的风格信息迁移到源数据集的样本，并用风格化图像与原始图像训练模型。我们的第二种方法提出统一框架以充分利用所有数据。我们的两种方法均以大幅优势超越基线方法。