重新思考用于简易少样本学习的足够好的嵌入
计算机视觉与模式识别
2026-05-15 v1
摘要
深度视觉识别领域正经历向通用表示的范式转变。柏拉图表示假说表明，在庞大数据集上训练的多种架构正收敛于一个共享的“理想”潜在空间。这再次引出了一个关键问题：“你只需要一个好的嵌入吗？”在本文中，我们利用这种收敛性来证明现成的嵌入对于复杂任务本质上是“足够好”的，使得密集的任务特定微调变得不必要。我们在少样本学习框架内探索这一假说，提出了一种完全绕过反向传播的简单、非参数管道。通过在冻结的 DINOv2-L 特征上使用 k 近邻分类器，我们进行了逐层表征以确定最优特征提取。我们进一步证明，通过 PCA 和 ICA 进行流形细化提供了有益的正则化效果。我们在四个主要基准上的结果表明，我们的方法持续超越复杂的元学习算法，取得了 SOTA 性能。
引用
@article{arxiv.2605.14145,
title = {Rethinking the Good Enough Embedding for Easy Few-Shot Learning},
author = {Michael Karnes and Alper Yilmaz},
journal= {arXiv preprint arXiv:2605.14145},
year = {2026}
}