Selbstüberwachtes Lernen für die Klassifizierung von Bildern mit wenigen Beispielen

Die Few-Shot-Bildklassifizierung zielt darauf ab, unbekannte Klassen mit begrenzten annotierten Stichproben zu klassifizieren. Aktuelle Arbeiten profitieren von einem Meta-Lernprozess mit episodischen Aufgaben und können sich schnell an neue Klassen anpassen, vom Training bis zum Test. Aufgrund der begrenzten Anzahl von Stichproben für jede Aufgabe wird das initiale Einbettungsnetzwerk für das Meta-Lernen zu einer wesentlichen Komponente, die die Praxisleistung stark beeinflusst. Zu diesem Zweck hängen die meisten existierenden Methoden stark von einem effizienten Einbettungsnetzwerk ab. Aufgrund der begrenzten annotierten Daten ist die Größe des Einbettungsnetzwerks unter einem überwachten Lernverfahren (SL) eingeschränkt, was eine Engstelle der Few-Shot-Lernmethoden darstellt. In dieser Arbeit schlagen wir vor, ein allgemeineres Einbettungsnetzwerk mit selbstüberwachtem Lernen (SSL) zu trainieren, das durch das Lernen aus den Daten selbst robuste Repräsentationen für nachfolgende Aufgaben bereitstellen kann. Wir bewerten unsere Arbeit durch umfangreiche Vergleiche mit früheren Baseline-Methoden auf zwei Few-Shot-Klassifikationsdatensätzen (d.h., MiniImageNet und CUB) und erzielen bessere Ergebnisse als die Baselines. Tests auf vier Datensätzen im Bereich der domänenübergreifenden Few-Shot-Klassifikation zeigen, dass die vorgeschlagene Methode den aktuellen Stand der Technik erreicht und die Robustheit des vorgeschlagenen Modells weiter belegt. Unser Code ist unter \hyperref[https://github.com/phecy/SSL-FEW-SHOT.]{https://github.com/phecy/SSL-FEW-SHOT.} verfügbar.