MetaLab：面向图像识别的少样本游戏改变者

困难的少样本图像识别具有重要的应用前景，但仍与传统大规模图像识别之间存在显著的技术差距。本文提出了一种用于少样本图像识别的高效方法，称为 CIELab 引导的一致性元学习方法（MetaLab）。结构上，MetaLab 由两个协作的神经网络组成：LabNet 能够对 CIELab 色彩空间进行域转换并提取丰富的分组特征，而一致性 LabGNN 能够促进 lightness 图和 color 图之间的相互学习。为充分验证，我们在四个粗粒度基准、四个细粒度基准和四个跨域少样本基准上实现了大量比较实验。具体而言，我们的方法能够以每类仅一个样本 achieve 高准确率、稳健的性能以及有效的泛化能力。总体而言，所有实验都表明，MetaLab 能够接近 99% 提升幅度的准确率，接近人类识别天花板，仅有轻微的视觉偏差。