MDFM：用于少样本学习的多决策融合模型
计算机视觉与模式识别
2021-12-06 v2 机器学习
摘要
近年来，研究者日益关注少样本学习（FSL）任务，以应对数据稀缺问题。一个标准的 FSL 框架由两个部分组成：i) 预训练。利用基数据生成基于 CNN 的特征提取模型（FEM）。ii) 元测试。将训练好的 FEM 应用于新数据（类别与基数据不同）以获取特征嵌入并识别它们。尽管研究者在 FSL 中取得了显著突破，但仍存在一个根本性问题。由于基于基数据训练好的 FEM 通常无法完美适应新类别，新数据的特征可能导致分布偏移问题。为应对这一挑战，我们假设：即便基于不同 FEM 的大多数决策被视为弱决策、无法适用于所有类别，它们仍在某些特定类别上表现良好。受此假设启发，我们提出一种新方法——多决策融合模型（MDFM），它综合考虑基于多个 FEM 的决策，以增强模型的有效性与鲁棒性。MDFM 是一种简单、灵活、非参数的方法，可直接应用于现有 FEM。此外，我们将提出的 MDFM 扩展到两种 FSL 设定（即监督与半监督设定）。我们在五个基准数据集上评估所提方法，相比 SOTA 取得了 3.4%–7.3% 的显著提升。
引用
@article{arxiv.2112.00690,
title = {MDFM: Multi-Decision Fusing Model for Few-Shot Learning},
author = {Shuai Shao and Lei Xing and Rui Xu and Weifeng Liu and Yan-Jiang Wang and Bao-Di Liu},
journal= {arXiv preprint arXiv:2112.00690},
year = {2021}
}
备注
Accepted by IEEE Transactions on Circuits and Systems for Video Technology (TCSVT). arXiv admin note: text overlap with arXiv:2109.07785