面向少样本图像分类的自监督学习
计算机视觉与模式识别
2021-02-24 v3
摘要
少样本图像分类旨在利用有限的标注样本对未见类别进行分类。近期工作受益于带有情景式任务的元学习过程，能够从训练阶段快速适应到测试阶段的类别。由于每个任务的样本数量有限，用于元学习的初始嵌入网络成为关键组件，并在实践中对性能产生重大影响。为此，现有大多数方法高度依赖于高效的嵌入网络。由于标注数据有限，嵌入网络的规模在以监督学习（SL）方式下受到限制，这成为少样本学习方法的瓶颈。本文提出以自监督学习（SSL）训练更具泛化性的嵌入网络，通过从数据自身学习为下游任务提供鲁棒表征。我们在两个少样本分类数据集（即 MiniImageNet 和 CUB）上与先前基线方法进行了广泛的对比评估，并取得了优于基线的性能。在跨域少样本学习分类的四个数据集上的测试表明，所提方法取得了最先进的结果，并进一步证明了所提模型的鲁棒性。我们的代码可在 https://github.com/phecy/SSL-FEW-SHOT. 获取。
引用
@article{arxiv.1911.06045,
title = {Self-Supervised Learning For Few-Shot Image Classification},
author = {Da Chen and Yuefeng Chen and Yuhong Li and Feng Mao and Yuan He and Hui Xue},
journal= {arXiv preprint arXiv:1911.06045},
year = {2021}
}
备注
To appear at ICASSP 2021. https://github.com/phecy/ssl-few-shot