用于半监督少样本分类的自适应标签增强
计算机视觉与模式识别
2022-06-17 v1
摘要
少样本分类旨在仅利用少量有标签样本学习一个能很好泛化到新任务的模型。为利用真实应用中更丰富的无标签数据，Ren 等人提出一种半监督少样本分类方法，通过手动定义的度量将合适标签分配给每个无标签样本。然而，手动定义的度量无法捕捉数据的内在属性。本文中，我们提出一种用于半监督少样本分类的\textbf{自}适应\textbf{标}\textbf{签}\textbf{增}强方法，称为 \textbf{SALA}。SALA 的主要新颖之处在于任务自适应度量，其能以端到端方式针对不同任务自适应地学习该度量。SALA 的另一吸引人特征是渐进式邻居选择策略，其在训练阶段逐步选择高置信度的无标签数据。实验表明，在基准数据集上 SALA 优于多种最先进（SOTA）的半监督少样本分类方法。
引用
@article{arxiv.2206.08150,
title = {Self-Adaptive Label Augmentation for Semi-supervised Few-shot Classification},
author = {Xueliang Wang and Jianyu Cai and Shuiwang Ji and Houqiang Li and Feng Wu and Jie Wang},
journal= {arXiv preprint arXiv:2206.08150},
year = {2022}
}
备注
9 pages