摘要
少样本视觉识别旨在仅使用少量标注样本识别未见的新类别，同时从基础类别中学习具有泛化能力的先验知识。近年来的研究提出在无监督设置下解决该问题，即在基础类别中完全不依赖人工标注，从而显著降低对人工标注的依赖。本文基于自监督学习的洞察，提出一种新颖的无监督学习方法，用于少样本任务中的不变性与一致性（InCo）表示联合学习。针对不变性表示的构建，我们设计了一个几何不变性模块，通过预测每个实例的旋转角度来学习实例内部的变异性，从而提升特征的判别能力。为进一步构建实例间的表示一致性，我们提出了一个成对一致性模块，从两个对比学习视角出发：一是利用历史训练队列进行全局对比学习，二是针对当前训练样本增强局部对比学习。此外，为更好地促进特征间的对比学习，我们引入了一种非对称卷积架构，以编码高质量的表示特征。在4个公开基准数据集上的大量实验表明，所提方法具有显著的有效性，并优于现有主流方法。