基于弱监督目标定位与任务分解的自教跨域少样本学习
计算机视觉与模式识别
2021-09-06 v1 人工智能
摘要
源域与目标域之间的域偏移是跨域少样本学习（CD-FSL）的主要挑战。然而，在源域上训练时目标域完全未知，导致缺乏对目标任务的针对性指导。我们观察到，由于目标域中存在相似背景，可将自标注样本作为先验任务以将知识迁移至目标任务。为此，我们提出了一种用于CD-FSL的任务扩展-分解框架，称为自教（ST）方法，其通过构建面向任务的度量空间来缓解非目标指导问题。具体而言，采用弱监督目标定位（WSOL）与自监督技术，通过交换和旋转判别区域来丰富面向任务的样本，从而生成更充裕的任务集。随后将这些任务分解为若干任务，以完成少样本识别与旋转分类任务。这有助于将源知识迁移至目标任务并聚焦于判别区域。我们在包含8个目标域（CUB、Cars、Places、Plantae、CropDieases、EuroSAT、ISIC和ChestX）的跨域设定下进行了大量实验。实验结果表明，所提出的ST方法可应用于多种基于度量的模型，并在CD-FSL中带来可观的提升。
引用
@article{arxiv.2109.01302,
title = {Self-Taught Cross-Domain Few-Shot Learning with Weakly Supervised Object Localization and Task-Decomposition},
author = {Xiyao Liu and Zhong Ji and Yanwei Pang and Zhongfei Zhang},
journal= {arXiv preprint arXiv:2109.01302},
year = {2021}
}