从少样本任务特性重访无监督元学习

元学习已成为少样本图像分类的一种实用方法，其中“学习分类器的策略”在带标签的基类别上被元学习，并可应用于具有新颖类别的任务。我们去除对基类别标签的要求，并通过无监督元学习（UML）学习可泛化的嵌入。具体而言，在元训练期间，利用无标签基类别的数据增强构建任务片段（episode），并在元测试期间将基于嵌入的分类器应用于带标签少样本示例的新颖任务。我们观察到两个因素在 UML 中起重要作用，即采样任务的方式以及度量实例间相似度的方法。因此我们通过两个简单修改获得一个强基线——一种充分的采样策略（高效地每片段构建多个任务）以及半归一化相似度。然后我们从两个方向利用任务特性获得进一步提升。首先，引入合成的混淆实例以帮助提取更具判别力的嵌入。其次，我们在元训练期间利用额外的任务特定嵌入变换作为辅助组件，以提升预适配嵌入的泛化能力。在少样本学习基准上的实验验证了我们的方法优于先前的 UML 方法，并达到与有监督变体相当甚至更好的性能。