Few-Shot Learning mit globalen Klassendarstellungen

In dieser Arbeit schlagen wir eine Methode vor, um das herausfordernde Problem des Few-Shot-Lernens (FSL) durch das Lernen globaler Klassendarstellungen unter Verwendung von Trainingsbeispielen sowohl der Basisklassen als auch der neuen Klassen zu bewältigen. In jeder Trainingsepisode wird ein episodischer Klassenmittelwert, der aus einem Support-Set berechnet wurde, durch ein Registrierungsmodul mit der globalen Darstellung registriert. Dies führt zu einer registrierten globalen Klassendarstellung, die für die Berechnung des Klassifizierungsverlusts mithilfe eines Query-Sets verwendet wird. Obwohl unser Ansatz einen ähnlichen episodischen Trainingsprozess wie bestehende metalearning-basierte Methoden verfolgt, unterscheidet er sich signifikant dadurch, dass Trainingsbeispiele neuer Klassen bereits von Anfang an in den Trainingsprozess einbezogen werden. Um das Fehlen von Trainingsbeispielen neuer Klassen auszugleichen, wurde eine effektive Strategie zur Beispielsynthese entwickelt, um das Überfitting zu vermeiden. Von großer Bedeutung ist, dass unser Ansatz durch gemeinsames Training von Basisklassen und neuen Klassen leicht auf eine praktischere und dennoch anspruchsvollere FSL-Einstellung erweitert werden kann, nämlich auf generalisiertes FSL, bei dem der Labelraum der Testdaten sowohl Basisklassen als auch neue Klassen umfasst. Ausführliche Experimente zeigen, dass unser Ansatz für beide Few-Shot-Lernenszenarien effektiv ist.