迈向跨粒度少样本学习：基于视觉-语义元嵌入的由粗到细伪标注

少样本学习旨在测试时仅用少量样本快速适应新类别，其主流方法为元学习。然而，元学习方法本质上跨多种少样本任务学习，因而仍需带细粒度监督的大规模训练数据以得到泛化模型，涉及高昂标注成本。本文推进少样本分类范式至更具挑战的场景，即跨粒度少样本分类：模型训练时仅见粗粒度标签，测试时却需执行细粒度分类。该任务大幅降低标注成本，因细粒度标注通常需强领域专业知识。为弥合跨粒度鸿沟，我们根据图像嵌入相似性将每类粗粒度类别贪心聚类为伪细粒度类别，以近似细粒度数据分布。进而提出一种元嵌入器，在实例级与粗类级联合优化视觉与语义判别，为该由粗到细伪标注过程获取良好特征空间。大量实验与消融研究证明了本方法在三个代表性数据集上的有效性与鲁棒性。