基于原型标签传播与迭代图精炼的直推式少样本学习
计算机视觉与模式识别
2023-04-25 v1 人工智能
机器学习
摘要
少样本学习 (FSL) 因其适应新类别的能力而广受欢迎。与归纳式少样本学习相比，直推式模型通常表现更好，因为它们利用了查询集的所有样本。现有的两类方法——基于原型和基于图的方法——分别具有原型估计不准确以及使用核函数构建次优图的缺点。在本文中，我们提出一种新颖的基于原型的标签传播来解决这些问题。具体而言，我们的图构建基于原型与样本之间的关系，而非样本之间的关系。随着原型被更新，图也随之改变。我们还估计每个原型的标签，而非将一个原型视为类中心。在 mini-ImageNet、tiered-ImageNet、CIFAR-FS 和 CUB 数据集上，我们表明所提方法在直推式 FSL 和半监督 FSL（当少量未标记数据伴随新颖少样本任务时）中优于其他最先进的方法。
引用
@article{arxiv.2304.11598,
title = {Transductive Few-shot Learning with Prototype-based Label Propagation by Iterative Graph Refinement},
author = {Hao Zhu and Piotr Koniusz},
journal= {arXiv preprint arXiv:2304.11598},
year = {2023}
}
备注
This paper is published at CVPR 2023