用于转导式少样本学习的渐进式簇净化方法
计算机视觉与模式识别
2019-06-11 v1
摘要
少样本学习旨在学会将分类器泛化到具有有限标注数据的新类别上。近期文献中已采用利用无标签测试集应对低数据问题的转导式推断来进行少样本学习。然而，这些方法并未显式利用语义簇的流形结构，这对转导式推断而言效率低下。本文提出一种用于转导式少样本学习的新型渐进式簇净化（Progressive Cluster Purification, PCP）方法。PCP可通过在个体簇空间中探索语义相互依赖关系来逐步净化簇。具体而言，PCP由两级操作组成：类间分类与类内转导。类间分类通过将测试样本与原型进行比较，将所有测试样本划分为若干簇。类内转导通过对簇内及不同簇间的数据关系进行建模，为每个簇有效探索可信的测试样本。随后，它精炼原型以更好地表示语义簇的真实分布。精炼后的原型被用于重新度量所有测试实例并净化每个簇。此外，类间分类与类内转导极为灵活，可重复数次以逐步净化簇。在两个数据集上提供了实验结果：miniImageNet数据集与tieredImageNet数据集。对比结果证明了我们方法的有效性，并表明我们的方法在两个数据集上均优于最先进的（SOTA）方法。
引用
@article{arxiv.1906.03847,
title = {Progressive Cluster Purification for Transductive Few-shot Learning},
author = {Chenyang Si and Wentao Chen and Wei Wang and Liang Wang and Tieniu Tan},
journal= {arXiv preprint arXiv:1906.03847},
year = {2019}
}