P3DC-Shot：用于最近邻少样本分类的先验驱动离散数据校准
计算机视觉与模式识别
2023-01-03 v1
摘要
最近邻（NN）分类已被证明是一种简单有效的少样本学习方法。基于预训练深度模型提取的特征，通过寻找最近的支持类即可高效地对查询数据进行分类。然而，基于 NN 的方法对数据分布敏感，若支持集中的样本恰好位于不同类的分布边界附近，则可能产生错误预测。为解决此问题，我们提出 P3DC-Shot，一种由先验驱动数据校准增强的、改进的基于最近邻的少样本分类方法。受利用基类分布或统计量来校准少样本任务数据的分布校准技术启发，我们提出了一种更适用于基于 NN 的少样本分类的新型离散数据校准操作。具体而言，我们将代表每个基类的原型作为先验，并基于每个支持数据到不同基类原型的相似度对其进行校准。然后，我们使用这些离散校准后的支持数据进行 NN 分类。在各数据集上的大量实验结果表明，我们这种高效的无学习方法可以优于或至少媲美需要额外学习步骤的 SOTA 方法。
引用
@article{arxiv.2301.00740,
title = {P3DC-Shot: Prior-Driven Discrete Data Calibration for Nearest-Neighbor Few-Shot Classification},
author = {Shuangmei Wang and Rui Ma and Tieru Wu and Yang Cao},
journal= {arXiv preprint arXiv:2301.00740},
year = {2023}
}