摘要
大多数现有的少样本学习算法都是基于元训练（meta-training）的，使用假的少样本任务作为训练样本，这需要大量的标记基础类别。然而，这种训练模型在任务类型上存在局限性。本文提出了一种新的无监督少样本学习范式，以弥补这些不足。我们通过两个阶段来解决少样本任务：首先，通过对比自监督学习（contrastive self-supervised learning）元训练一个可迁移的特征提取器；其次，利用图聚合（graph aggregation）、自蒸馏（self-distillation）和流形增强（manifold augmentation）方法训练分类器。一旦完成元训练，该模型就可以用于任何类型的任务，并根据具体任务进行分类器的训练。我们的方法在标准少样本视觉分类数据集上的多种已建立的少样本任务中取得了最先进的性能，相比现有的无监督少样本学习方法，性能提高了8%到28%。