基于自监督训练的无监督少样本学习
计算机视觉与模式识别
2019-12-30 v1 机器学习
摘要
从有限样本（少样本学习）中学习是机器学习界一个基础的、尚未解决的问题，并已得到费力探索。然而，当前的少样本学习器大多是监督式的，且严重依赖大量标注样本。无监督学习对认知哺乳动物而言是更自然的流程，并在许多机器学习任务中产生了有前景的结果。在当前研究中，我们开发了一种通过自监督训练（UFLST）学习无监督少样本学习器的方法，其可有效泛化至新颖但相关的类别。所提模型由两个交替过程组成：渐进式聚类和情景训练。前者生成伪标注训练样本以构建情景任务；后者利用生成的情景任务训练少样本学习器，并进一步优化数据的特征表示。两个过程相互促进，最终产生高质量的少样本学习器。使用基准数据集Omniglot和Mini-ImageNet，我们表明我们的模型优于其他无监督少样本学习方法。使用基准数据集Market1501，我们进一步证明了我们的模型在行人重识别实际应用中的可行性。
引用
@article{arxiv.1912.12178,
title = {Unsupervised Few-shot Learning via Self-supervised Training},
author = {Zilong Ji and Xiaolong Zou and Tiejun Huang and Si Wu},
journal= {arXiv preprint arXiv:1912.12178},
year = {2019}
}
备注
12 pages, 3 figures