摘要
我们提出了一种归纳式元学习方法，利用未标记样本提升少样本图像分类的性能。该方法结合了基于正则化马氏距离的软k-means聚类过程与一种改进的前沿神经自适应特征提取器，在测试阶段充分利用未标记数据，从而显著提升分类准确率。我们在归纳式少样本学习任务上对所提方法进行了评估，其目标是在给定一组支持集（训练样本）的前提下，联合预测查询集（测试样本）的标签。实验结果表明，该方法在Meta-Dataset、mini-ImageNet和tiered-ImageNet三个基准数据集上均达到了当前最优水平。所有训练好的模型及源代码已公开发布于GitHub：github.com/plai-group/simple-cnaps。