语义比例补丁混合用于小样本学习

小样本学习旨在仅使用有限数量的标注数据对未见类别进行分类。近期研究表明，采用简单的迁移学习策略训练模型可以在小样本分类中取得有竞争力的结果。尽管这些模型在区分训练数据方面表现出色，但可能由于评估时特征表示不足，它们对未见数据的泛化能力不佳。为解决这一问题，我们提出了语义比例补丁混合（Semantically Proportional Patchmix, SePPMix），该方法在训练图像之间剪切和粘贴补丁，并根据补丁的语义信息按比例混合真实标签。通过这种方式，我们可以利用区域丢弃效应提高模型的泛化能力，同时避免引入严重的标签噪声。为了学习更鲁棒的数据表示，我们进一步对混合图像进行旋转变换，并将旋转预测作为基于规则的正则化器。在流行的小样本基准上的大量实验证明了我们提出方法的有效性。