TransMatch：一种用于半监督少样本学习的迁移学习框架
机器学习
2020-03-11 v2 计算机视觉与模式识别
机器学习
摘要
深度学习在许多视觉识别任务上的成功应用严重依赖于大量标注数据的可用性，而这类数据通常获取代价高昂。少样本学习问题因旨在仅基于少量标注样本构建鲁棒模型而受到研究者越来越多的关注。现有多数工作通过元学习框架、以情景训练策略模拟少样本学习任务来解决该问题。本文提出一种新的用于半监督少样本学习的迁移学习框架，以充分利用来自标注基类数据与未标注新类数据的辅助信息。该框架由三部分组成：1) 在基类数据上预训练特征提取器；2) 使用特征提取器初始化新类的分类器权重；3) 以半监督学习方法进一步更新模型。在所提框架下，我们通过以 Imprinting 和 MixMatch 实例化这三个组件，提出了一种称为 TransMatch 的半监督少样本学习新方法。在 CUB-200-2011 和 miniImageNet 两个流行的少样本学习基准数据集上的大量实验表明，所提方法能有效利用来自标注基类数据与未标注新类数据的辅助信息，显著提升少样本学习任务的准确率。
引用
@article{arxiv.1912.09033,
title = {TransMatch: A Transfer-Learning Scheme for Semi-Supervised Few-Shot Learning},
author = {Zhongjie Yu and Lin Chen and Zhongwei Cheng and Jiebo Luo},
journal= {arXiv preprint arXiv:1912.09033},
year = {2020}
}
备注
Accepted at CVPR2020