2 个月前

领域适应性少样本开放集学习

Pal, Debabrata ; More, Deeptej ; Bhargav, Sai ; Tamboli, Dipesh ; Aggarwal, Vaneet ; Banerjee, Biplab
领域适应性少样本开放集学习
摘要

少样本学习在解决目标查询集中识别来自新类别的未知样本以及管理域间视觉差异的关键挑战方面取得了令人印象深刻的进展。然而,现有的技术在通过从源域中学习拒绝伪异常值来识别目标域中的异常值时存在不足,导致对这两个问题的解决方案不够完善。为了全面应对这些挑战,我们提出了一种名为域适应少样本开放集识别(Domain Adaptive Few-Shot Open Set Recognition, DA-FSOS)的新方法,并引入了一种基于元学习的架构——DAFOSNET。在训练过程中,我们的模型在给定完全监督的源域和标签不相交的少样本目标域的情况下,学习一个共享且具有区分性的嵌入空间,并创建一个伪开放空间决策边界。为了增强数据密度,我们使用了一对具有可调噪声方差的条件对抗网络来扩充闭合空间和伪开放空间的数据。此外,我们提出了一种特定于域的批归一化类别原型对齐策略,在确保类别区分性的同时,通过新的度量目标实现两个域的整体对齐。我们的训练方法确保了DAFOSNET能够很好地泛化到目标域中的新场景。我们基于Office-Home、mini-ImageNet/CUB和DomainNet数据集提出了三个基准测试,并通过广泛的实验展示了DAFOSNET的有效性。

领域适应性少样本开放集学习 | 最新论文 | HyperAI超神经