Ausnutzung der Merkmalsverteilung in transferbasierten Few-Shot-Lernansätzen

Few-shot-Klassifikation ist aufgrund der Unsicherheit, die durch die Verwendung nur weniger gelabelter Beispiele entsteht, eine herausfordernde Aufgabe. In den letzten Jahren wurden zahlreiche Methoden vorgeschlagen, um das Few-shot-Klassifikationsproblem zu lösen, wobei sich transferbasierte Ansätze als die leistungsstärksten erwiesen haben. Anschließend an diese Forschungslinie stellen wir in diesem Artikel eine neuartige transferbasierte Methode vor, die sich auf zwei aufeinanderfolgende Schritte stützt: 1) die Vorverarbeitung der Merkmalsvektoren, um deren Verteilung näher an eine Gauß-ähnliche Form zu bringen, und 2) die Nutzung dieser Vorverarbeitung mittels eines auf Optimal-Transport basierenden Algorithmus (im Fall transduktiver Szenarien). Anhand standardisierter visueller Benchmark-Datensätze zeigen wir, dass die vorgeschlagene Methodologie eine state-of-the-art Genauigkeit erreicht, unabhängig von verschiedenen Datensätzen, Backbone-Architekturen und Few-shot-Einstellungen.