基于骨干神经网络预处理潜空间最优传输映射的迁移学习少样本分类
机器学习
2021-02-12 v2 计算机视觉与模式识别
摘要
MetaDL挑战赛2020聚焦于少样本设定下的图像分类任务。本文描述了该竞赛中第二名的提交方案。我们的元学习方法修改由骨干网络为每个类生成的潜空间中类的分布，以更好地服从高斯分布。在这一我们称之为潜空间变换算法的操作之后，类中心通过期望最大化算法的迭代方式进一步对齐，以利用通常在少量标注样本之外提供的无标注数据中的信息。对于此任务，我们利用使用Sinkhorn算法的最优传输映射。我们的实验表明，该方法优于先前工作以及算法的其他变体，如使用K近邻算法、高斯混合模型等。
引用
@article{arxiv.2102.05176,
title = {Transfer learning based few-shot classification using optimal transport mapping from preprocessed latent space of backbone neural network},
author = {Tomáš Chobola and Daniel Vašata and Pavel Kordík},
journal= {arXiv preprint arXiv:2102.05176},
year = {2021}
}