基于早期阶段特征重构的无监督嵌入适配用于少样本分类
计算机视觉与模式识别
2021-06-23 v1
摘要
我们提出用于下游少样本分类任务的无监督嵌入适配。基于深度神经网络在学习记忆之前先学习泛化的发现，我们开发了早期阶段特征重构（ESFR）——一种具有特征重构和维度驱动的早停以寻找可泛化特征的新型适配方案。引入 ESFR 在所有标准设定下一致地提升了基线方法的性能，包括最近提出的转导方法。ESFR 与转导方法结合进一步在 mini-ImageNet、tiered-ImageNet 和 CUB 上达到了最先进性能；尤其在 1-shot 设定下比先前最佳性能方法准确率提升 1.2%~2.0%。
引用
@article{arxiv.2106.11486,
title = {Unsupervised Embedding Adaptation via Early-Stage Feature Reconstruction for Few-Shot Classification},
author = {Dong Hoon Lee and Sae-Young Chung},
journal= {arXiv preprint arXiv:2106.11486},
year = {2021}
}
备注
Accepted to ICML 2021