基于子空间分解的转导单样本学习
计算机视觉与模式识别
2025-05-22 v2
摘要
单样本学习旨在基于单个标记图像适应预训练模型,以识别新引入且未见过的类别。虽然存在一些few-shot 和 zero-shot 学习的变体,但单样本学习仍是一个具有挑战性且至关重要的问题,因为其能够仅通过一个人工标注的图像即可对未知类别进行泛化。本文引入一种转导单样本学习方法,采用子空间分解来利用支持集中标记图像的信息以及查询集中未标记图像的信息。这些图像被分解为由较小子空间捕获的原始变量的线性组合表示。通过将查询集中的图像表示为这些原始原始变量的线性组合,我们可以将单个支持集图像中的标签传播到与相似组合的查询图像上。通过对各种神经网络特征提取器和数据集进行全面定量分析,我们证明了该方法能够仅通过一个标记图像即可有效地泛化到新类别。
引用
@article{arxiv.2504.00348,
title = {Transductive One-Shot Learning Meet Subspace Decomposition},
author = {Kyle Stein and Andrew A. Mahyari and Guillermo Francia and Eman El-Sheikh},
journal= {arXiv preprint arXiv:2504.00348},
year = {2025}
}