基于特征分布的迁移学习少样本学习

少样本分类因其依赖少量标注样本而带来的不确定性，成为一个极具挑战性的问题。近年来，众多方法被提出以应对该问题，其中基于迁移学习的方法已被证明能够取得最佳性能。受此启发，本文提出一种新型的基于迁移学习的方法，该方法包含两个连续步骤：1）对特征向量进行预处理，使其分布更接近高斯分布；2）在归纳设置（transductive setting）下，利用上述预处理结果，结合一种受最优传输理论启发的算法。通过在标准视觉基准数据集上的实验，我们验证了所提方法在多种数据集、主干网络架构及少样本设置下均能实现当前最优的分类准确率。