通用表征学习：面向多领域少样本分类
计算机视觉与模式识别
2021-03-26 v1
摘要
本文研究少样本分类问题，旨在从少量标注样本中学习针对先前未见过的类别和领域的分类器。近期方法使用适配网络将其特征对齐到新领域，或从多个领域特定特征提取器中选择相关特征。本工作中，我们提出通过在对齐其特征后借助适配器和中心核对齐来蒸馏多个分别训练的网络的知识，从而学习一组单一的通用深度表征。我们表明，通用表征可通过类似于距离学习方法的高效适配步骤针对先前未见过的领域进一步精炼。我们在近期Meta-Dataset基准上严格评估了我们的模型，并证明其显著优于先前方法且更高效。我们的代码将发布于https://github.com/VICO-UoE/URL。
引用
@article{arxiv.2103.13841,
title = {Universal Representation Learning from Multiple Domains for Few-shot Classification},
author = {Wei-Hong Li and Xialei Liu and Hakan Bilen},
journal= {arXiv preprint arXiv:2103.13841},
year = {2021}
}
备注
Code will be available at https://github.com/VICO-UoE/URL