面向少样本图像分类的无监督元学习
计算机视觉与模式识别
2019-11-11 v2 机器学习
摘要
分类器的少样本或单样本学习需要对所学习任务类型有显著的归纳偏置。一种获取方式是通过在类似于目标任务的任务上进行元学习。本文提出UMTRA，一种针对分类任务执行无监督、模型无关元学习的算法。UMTRA的元学习步骤在一组扁平的无标签图像集合上进行。虽然我们假设这些图像可分组为多样化类别且与目标任务相关，但不需要关于类别或任何标签的显式信息。UMTRA使用随机采样和增强来为元学习阶段创建合成训练任务。仅在最终目标任务学习步骤需要标签，且每类可少至一个样本。在Omniglot和Mini-Imagenet少样本学习基准上，UMTRA优于所有基于无监督表示学习的测试方法，同时与近期的CACTUs算法交替取得最佳性能。与有监督模型无关元学习方法相比，UMTRA以牺牲部分分类精度换取所需标签量减少数个数量级。
引用
@article{arxiv.1811.11819,
title = {Unsupervised Meta-Learning For Few-Shot Image Classification},
author = {Siavash Khodadadeh and Ladislau Bölöni and Mubarak Shah},
journal= {arXiv preprint arXiv:1811.11819},
year = {2019}
}