摘要
大多数少样本图像分类方法均基于任务进行训练。通常情况下，这些任务构建在具有大量标注图像的基类（base classes）之上，这一过程耗费大量人力。无监督少样本图像分类方法则无需标注图像，因其任务可直接在未标注图像上构建。为高效地在未标注图像上构建任务，本文提出一种新颖的单阶段聚类方法——特征学习至聚类空间（Learning Features into Clustering Space, LF2CS）：该方法首先通过固定聚类中心来构建一个可分离的聚类空间，随后利用一个可学习模型将图像特征映射至该空间中。基于LF2CS，我们进一步提出一种图像采样与c-way k-shot任务构建方法。在此基础上，提出一种全新的无监督少样本图像分类框架，该框架联合优化可学习模型、聚类过程以及少样本图像分类任务。实验与可视化结果表明，所提出的LF2CS在泛化至新类别方面具有显著优势。从图像采样视角出发，我们依据任务构建方式设计了四种基线方法。在Omniglot、miniImageNet、tieredImageNet和CIFARFS数据集上，基于Conv-4与ResNet-12两种主干网络进行了系统实验。实验结果表明，本文方法在各项指标上均优于现有最先进方法。