基于条件传输的面向原型的转导少样本学习
计算机视觉与模式识别
2023-08-08 v1
摘要
转导少样本学习(TFSL)近期受到越来越多的关注，因为它通常通过利用查询样本的统计量优于其归纳对应方法。然而，先前的 TFSL 方法通常编码均匀先验，即查询样本中所有类别等可能，这在类别不平衡 TFSL 中存在偏差并导致严重的性能下降。针对这一关键问题，本文提出一种基于条件传输(CT)的不平衡 TFSL 模型，称为面向原型的无偏传输模型(PUTM)，以充分挖掘不平衡查询样本的无偏统计量，其采用前向与后向导航器作为传输矩阵来平衡每类查询样本的先验于均匀与自适应数据驱动分布之间。为高效传输 CT 学到的统计量，我们进一步导出给定所学导航器下基于 MAP 细化原型的闭式解。上述发现与传输无偏统计量的两步遵循迭代方式，构成我们的基于 EM 的求解器。在 miniImageNet、tieredImageNet、CUB 和 CIFAR-FS 四个标准基准上的实验结果证明了我们的模型在类不平衡泛化中的优越性。
引用
@article{arxiv.2308.03047,
title = {Prototypes-oriented Transductive Few-shot Learning with Conditional Transport},
author = {Long Tian and Jingyi Feng and Wenchao Chen and Xiaoqiang Chai and Liming Wang and Xiyang Liu and Bo Chen},
journal= {arXiv preprint arXiv:2308.03047},
year = {2023}
}
备注
Accepted by ICCV2023