基于伪标注的实用半监督元训练少样本学习方法
计算机视觉与模式识别
2025-05-20 v4
摘要
大多数现有少样本学习（FSL）方法在元训练阶段需要大量标注数据，这是一个主要限制。为降低对标签的需求，已有研究提出一种面向 FSL 的半监督元训练（SSMT）设定，其在基类中仅包含少量标注样本与大量未标注样本。然而，该设定下的现有方法要求从未标注集中进行类感知的样本选择，这违背了未标注集的假设。本文提出一种具有真正未标注数据的实用半监督元训练设定，以促进 FSL 在真实场景中的应用。为更好地利用标注与真正未标注数据，我们提出一种简单而有效的元训练框架，称为基于伪标注的元学习（PLML）。首先，我们通过常规半监督学习（SSL）训练一个分类器，并用它获取未标注数据的伪标签。然后我们从标注与伪标注数据构建少样本任务，并设计一种带有特征平滑与噪声抑制的新型微调方法，以从噪声标签中更好地学习 FSL 模型。令人惊讶的是，通过在两个 FSL 数据集上的大量实验，我们发现这一简单的元训练框架有效防止了各类 FSL 模型在有限标注数据下的性能退化，并且还显著优于最先进（state-of-the-art）的 SSMT 模型。此外，得益于元训练，我们的方法也改进了两种代表性的 SSL 算法。
引用
@article{arxiv.2207.06817,
title = {Pseudo-Labeling Based Practical Semi-Supervised Meta-Training for Few-Shot Learning},
author = {Xingping Dong and Tianran Ouyang and Shengcai Liao and Bo Du and Ling Shao},
journal= {arXiv preprint arXiv:2207.06817},
year = {2025}
}
备注
This paper has been accepted by IEEE Transactions on Image Processing