解锁面向开放世界少样本识别的迁移学习
计算机视觉与模式识别
2025-10-01 v3 人工智能
摘要
少样本开放集识别（FSOSR）旨在解决一个关键的现实挑战，即将输入分类为已知类别（闭集类），同时识别落在这些类别之外的开放集输入。尽管在封闭世界中、针对特定少样本任务微调模型的迁移学习已成为主流范式，但我们观察到它无法扩展至开放世界。为破解这一难题，我们提出了一种两阶段方法，包含开放集感知元学习与开放集无关迁移学习。在开放集感知元学习阶段，模型被训练以建立一个度量空间，为后续阶段提供有益的起点。在开放集无关迁移学习阶段，模型通过迁移学习进一步适配特定目标任务。此外，我们引入了一种通过修改训练数据集或生成伪开放集样本来模拟开放集样本的策略。该方法在两个广泛认可的基准 miniImageNet 和 tieredImageNet 上达到最先进性能，训练开销仅增加 1.5%。我们的工作证明了迁移学习在 FSOSR 中的有效性。
引用
@article{arxiv.2411.09986,
title = {Unlocking Transfer Learning for Open-World Few-Shot Recognition},
author = {Byeonggeun Kim and Juntae Lee and Kyuhong Shim and Simyung Chang},
journal= {arXiv preprint arXiv:2411.09986},
year = {2025}
}
备注
Accepted at NeurIPS 2025 workshop