PTN：一种用于半监督少样本学习的泊松迁移网络
计算机视觉与模式识别
2021-04-02 v3
摘要
半监督少样本学习（SSFSL）的困境在于最大化额外无标签数据的价值以提升少样本学习器。本文提出一种泊松迁移网络（PTN），从两方面挖掘无标签信息用于SSFSL。首先，泊松Merriman Bence Osher（MBO）模型为有标签与无标签样本之间的通信搭建了桥梁。在标签的消息传递过程中，该模型作为比传统基于图的SSFSL方法更稳定且更具信息量的分类器。其次，利用额外无标签样本通过对比学习将知识从基类迁移到新类。具体而言，我们迫使增强的正样本对接近，同时推远负样本对。我们的对比迁移方案隐式地学习新类嵌入，以缓解少标签数据上的过拟合问题。从而，我们能够减轻新类中嵌入泛化性的退化。大量实验表明，PTN在miniImageNet与tieredImageNet基准数据集上优于最先进的少样本及SSFSL模型。
引用
@article{arxiv.2012.10844,
title = {PTN: A Poisson Transfer Network for Semi-supervised Few-shot Learning},
author = {Huaxi Huang and Junjie Zhang and Jian Zhang and Qiang Wu and Chang Xu},
journal= {arXiv preprint arXiv:2012.10844},
year = {2021}
}
备注
AAAI 2021 accepted