重访中层模式用于跨域少样本识别
计算机视觉与模式识别
2021-11-02 v4
摘要
现有的少样本学习（FSL）方法通常假设基类与新类来自同一域（域内设置）。然而在实践中，为某些特殊域收集足够训练样本以构建基类可能不可行。为解决此问题，跨域少样本学习（CDFSL）近期被提出，用于将知识从通用域基类迁移到特殊域新类。现有CDFSL工作多聚焦于相近域间的迁移，很少考虑远距离域间的迁移；而后者在实际中确有需求（因为现实应用可能出现任意新类）且更具挑战性。本文通过重访中层特征来研究CDFSL中一类新类与基类处于远距离域的具有挑战性的子集；中层特征更具可迁移性，但在主流FSL工作中未被充分探索。为提升中层特征的可判别性，我们提出一种残差预测任务，以鼓励中层特征学习每个样本的可判别信息。值得注意的是，该机制同样有益于域内FSL及相近域CDFSL。因此，我们在同一训练框架下，分别为跨域与域内FSL提供两类特征。在六个公开数据集（包括两个具挑战性的医学数据集）上的两类设置实验验证了我们的动机并展示了最先进的性能。代码将公开。
引用
@article{arxiv.2008.03128,
title = {Revisiting Mid-Level Patterns for Cross-Domain Few-Shot Recognition},
author = {Yixiong Zou and Shanghang Zhang and JianPeng Yu and Yonghong Tian and José M. F. Moura},
journal= {arXiv preprint arXiv:2008.03128},
year = {2021}
}