内容纲要

在meta-training阶段,仍然需要大量的数据标注,这仍然不够方便。因此作者提出cross-domain少样本学习问题。其中,base和novel类有很大的shift。还没有文章在真实场景中使用过,例如雷达或者医疗图片。本文提出BSCD-FSL基线。来自各种图像采集方法的图像数据。这包括自然图像,例如作物病害图像,但另外包括那些与自然图像(例如卫星图像,皮肤病学图像和放射学图像)的差异越来越大的图像。在建议的基准上进行了广泛的实验,以评估最新的元学习方法,迁移学习方法以及用于跨域少样本学习的更新方法。 结果表明,最新的元学习方法比早期的元学习方法出人意料地好,所有元学习方法相对于简单的微调均表现不佳,平均准确度为12.8%。 在某些情况下,元学习甚至不如随机权重的网络。 在这个更具挑战性的基准测试中,以前通过专门用于跨域几次快照学习的方法观察到的性能提升消失了。 最后,所有方法的准确性都倾向于与数据集与自然图像的相似性相关联,从而验证基准值以更好地代表实际中看到的数据的多样性并指导未来的研究。

Introduction

作者把FSL分成两个阶段,meta-learning和meta-testing。
最近的工作指出,当base域和novel域之间存在较大的shift时,与传统的预训练和微调相比,基于元学习的算法的性能要差于传统的预训练和微调。这是一个很实际的问题,此方案被称为跨域FSL学习,与常规的FSL设置有所区别。尽管已经建立了常规FSL的基准,但跨域FSL基准却是起步阶段。在此空间中,所有已建立的工作都还局限于自然图像。在这种情况下,有用的知识可能仍有效地在自然图像的不同域之间迁移,这意味着在这种设置下设计的方法在应用于其他类型的图像(例如工业自然图像,卫星图像或医学图像)的领域时可能无法继续发挥良好的作用。
相似性由3个正交标准定义:1)图像是否包含透视失真; 2)图像的语义内容;3)颜色深度。
数据集包括农业图像(自然图像,但特定于农业行业),卫星(丢失透视失真),皮肤病学(丢失透视失真,并包含不同的语义内容)和放射图像(根据所有三个标准而不同)。 然后,在建议的基准上严格测试现有的最新学习方法,迁移学习方法以及为跨域几次快照学习量身定制的方法的性能。

最后修改日期: 2020年10月25日

作者

留言

撰写回覆或留言

发布留言必须填写的电子邮件地址不会公开。