低样本学习与大规模扩散

本文研究了在训练时仅有少量标注样本的情况下从图像中推断标签的问题。这种设置通常被称为少样本学习（low-shot learning），其中一种常用的方法是重新训练在一个具有大量训练样本的独立类别上预训练的卷积神经网络的最后一两层。我们考虑了一种基于大规模图像集合的半监督学习设置，以支持标签传播。通过利用近期在大规模相似性图构建方面的进展，这一目标得以实现。研究表明，尽管其概念简单，但将标签传播扩展到数亿张图像可以实现在少样本学习领域的最先进精度。