暗夜射击：无基类标签的小样本学习
计算机视觉与模式识别
2021-04-26 v2
摘要
小样本学习旨在从少量标注样本构建新类分类器，通常借助来自一组不同“基类”的样本来实现。测试集（新类）与用于学习归纳偏置的基类之间的数据分布差异，常导致在新类上泛化不佳。为缓解分布偏移引起的问题，先前研究探索了除基类标注样本外，使用来自新类的无标注样本，即转导设置。本工作中，我们惊讶地发现，现成的自监督学习在 miniImageNet 上以 5-shot 准确率超越转导小样本方法 3.9%，且未使用任何基类标签。这促使我们更仔细地审视通过自监督学习所得特征在小样本学习中的作用。我们进行了综合实验，比较有监督与自监督特征的迁移性、鲁棒性、效率与互补性。
引用
@article{arxiv.2010.02430,
title = {Shot in the Dark: Few-Shot Learning with No Base-Class Labels},
author = {Zitian Chen and Subhransu Maji and Erik Learned-Miller},
journal= {arXiv preprint arXiv:2010.02430},
year = {2021}
}
备注
Learning from Limited or Imperfect Data (L2ID) Workshop @ CVPR 2021