TAFSSL：用于少样本分类的任务自适应特征子空间学习
计算机视觉与模式识别
2020-03-17 v1
摘要
少样本学习（FSL）领域，即从每个新颖类别（训练时未见）的极少（通常为 或 个）样本中学习，近期文献中受到大量关注并取得了显著的性能进展。尽管已提出多种 FSL 技术，若干因素已被证明对 FSL 性能最为关键，甚至使最简技术也达到 SOTA。这些因素包括：骨干网络架构（越大越好）、基类上的预训练类型（元训练 vs 常规多类，目前常规占优）、基类集合的数量与多样性（越多越好，带来更丰富且更具适应性的特征），以及预训练期间自监督任务的使用（作为增加基类集合多样性的代理）。本文提出另一种对少样本学习性能至关重要的简单技术——搜索对给定少样本测试任务具有判别性的紧凑特征子空间。我们展示了任务自适应特征子空间学习（TAFSSL）在伴随新颖少样本任务的一些额外无标签数据出现时，能在 FSL 场景中显著提升性能，无论该数据是未标记查询集合（直推式 FSL）还是某些额外的无标签数据样本集（半监督 FSL）。具体而言，我们展示了在具有挑战性的 miniImageNet 和 tieredImageNet 基准上，TAFSSL 在直推式和半监督 FSL 设定下均能将上述当前最优水平提升超过 ，同时将利用无标签数据在 FSL 中的收益提高到超过 的性能增益。
引用
@article{arxiv.2003.06670,
title = {TAFSSL: Task-Adaptive Feature Sub-Space Learning for few-shot classification},
author = {Moshe Lichtenstein and Prasanna Sattigeri and Rogerio Feris and Raja Giryes and Leonid Karlinsky},
journal= {arXiv preprint arXiv:2003.06670},
year = {2020}
}