Meta-FDMixup:由有标签目标数据引导的跨域少样本学习
计算机视觉与模式识别
2022-11-30 v1
摘要
近期一项研究发现,在观察到域间隙时,已有少样本学习方法在源域上训练后无法泛化到新颖目标域。这催生了跨域少样本学习(CD-FSL)任务。本文中,我们认识到 CD-FSL 中有标签目标数据尚未以任何方式被用于辅助学习过程。因此,我们主张利用少量有标签目标数据来引导模型学习。技术上,我们提出了一种新颖的 meta-FDMixup 网络。我们主要从两方面解决该问题。首先,为利用两个不同类别集合的源数据与新引入的目标数据,我们重新提出了一种 mixup 模块并将其集成到元学习机制中。其次,我们提出了一种新颖的解耦模块与域分类器,以提取解耦的域无关与域特定特征。这两个模块共同使我们的模型缩小域间隙,从而很好地泛化到目标数据集。此外,我们开展了一项详细的可行性与初步研究,以反映在新设定下对 CD-FSL 的直观理解。实验结果展示了我们新设定与所提方法的有效性。代码与模型见 https://github.com/lovelyqian/Meta-FDMixup。
引用
@article{arxiv.2107.11978,
title = {Meta-FDMixup: Cross-Domain Few-Shot Learning Guided by Labeled Target Data},
author = {Yuqian Fu and Yanwei Fu and Yu-Gang Jiang},
journal= {arXiv preprint arXiv:2107.11978},
year = {2022}
}
备注
Accepted by ACM Multimedia 2021