TGDM：用于跨域少样本学习的目标引导动态 Mixup
计算机视觉与模式识别
2022-12-01 v2
摘要
在给定源域充足训练数据的情况下，跨域少样本学习（CD-FSL）旨在利用目标域中少量标注样本识别新类别。解决 CD-FSL 的关键在于缩小域间差距，并将源域上训练的网络知识迁移到目标域。为了促进知识迁移，本文引入了一个通过混合源域和目标域图像生成的中间域。具体而言，为了针对不同的目标数据生成最优的中间域，我们提出了一种新颖的目标引导动态 Mixup（TGDM）框架，该框架利用目标数据通过动态 Mixup 引导混合图像的生成。所提出的 TGDM 框架包含用于学习分类器的 Mixup-3T 网络和用于学习最优混合比例的动态比例生成网络（DRGN）。为了更好地迁移知识，所提出的 Mixup-3T 网络包含三个共享参数的分支，分别用于分类源域、目标域和中间域中的类别。为了生成最优的中间域，DRGN 根据在辅助目标数据上的性能学习生成最优混合比例。然后，整个 TGDM 框架通过双层元学习进行训练，使得 TGDM 能够自我纠正以在目标数据上达到最优性能。在几个基准数据集上的大量实验结果验证了我们方法的有效性。
引用
@article{arxiv.2210.05392,
title = {TGDM: Target Guided Dynamic Mixup for Cross-Domain Few-Shot Learning},
author = {Linhai Zhuo and Yuqian Fu and Jingjing Chen and Yixin Cao and Yu-Gang Jiang},
journal= {arXiv preprint arXiv:2210.05392},
year = {2022}
}
备注
accepted by ACM MM 2022