自监督的类别感知少样本分类
计算机视觉与模式识别
2022-02-17 v1 人工智能
机器学习
摘要
无监督学习被誉为人类智能的暗物质。为朝此方向构建,本文关注从大量无标签数据中进行的无监督学习,随后在下游分类任务上进行少样本微调。为此,我们扩展了一项近期关于采用对比学习进行自监督预训练的研究,通过迭代聚类与重排序引入类别级感知,并将对比优化损失扩展以纳入该感知。据我们所知,我们在标准与跨域场景下的实验均表明,我们在标准 mini-ImageNet 基准的(5-way,1 和 5-shot)设定以及跨域 CDFSL 基准的(5-way,5 和 20-shot)设定中确立了新的最优(state-of-the-art, SoTA)结果。我们的代码与实验可在 GitHub 仓库中找到:https://github.com/ojss/c3lr。
引用
@article{arxiv.2202.08149,
title = {Self-Supervised Class-Cognizant Few-Shot Classification},
author = {Ojas Kishore Shirekar and Hadi Jamali-Rad},
journal= {arXiv preprint arXiv:2202.08149},
year = {2022}
}
备注
7 pages, 1 figure