用于少样本学习中识别因果特征的 PatchMix 增强方法
计算机视觉与模式识别
2022-11-30 v1
摘要
少样本学习(FSL)的任务旨在将基于充足标注数据的基础类别所学知识迁移至已知信息稀缺的新类别。这是当前重要的研究问题，并在现实应用中具有重大实用价值。尽管先前在少样本学习任务上已有大量努力，我们强调大多数现有方法未考虑 FSL 场景中由样本选择偏差引起的分布偏移。此类选择偏差会诱导语义因果特征(与类标存在因果及语义关联)与其他非因果特征之间的虚假相关。关键的是，前者应在分布变化下保持不变、与感兴趣类别高度相关，从而能良好泛化至新类别，而后者在分布变化下并不稳定。为解决该问题，我们提出一种称为 PatchMix 的新型数据增强策略，其通过用来自与查询图像不同类别的随机图库图像替换查询图像的块级信息与监督，来打破此虚假依赖。我们从理论上表明，这种不同于现有方法的增强机制能够识别因果特征。为进一步使这些特征具备足够的分类判别力，我们提出相关性引导重建(CGR)与难例感知模块，用于实例判别及相似类别间的更易判别。此外，该框架可适配于无监督 FSL 场景。
引用
@article{arxiv.2211.16019,
title = {PatchMix Augmentation to Identify Causal Features in Few-shot Learning},
author = {Chengming Xu and Chen Liu and Xinwei Sun and Siqian Yang and Yabiao Wang and Chengjie Wang and Yanwei Fu},
journal= {arXiv preprint arXiv:2211.16019},
year = {2022}
}