Verbesserung der Few-Shot-Bildklassifikation mit unbeschrifteten Beispielen

Wir entwickeln eine transduktive Meta-Lernmethode, die unbeschriftete Instanzen nutzt, um die Leistung bei Few-Shot-Bildklassifikation zu verbessern. Unser Ansatz kombiniert ein reguliertes, auf der Mahalanobis-Distanz basierendes weiches k-Means-Clustering mit einem modifizierten State-of-the-Art-Neural-Adaptive-Feature-Extractor, um die Klassifikationsgenauigkeit zur Testzeit unter Verwendung unbeschrifteter Daten zu steigern. Wir evaluieren unsere Methode auf transduktiven Few-Shot-Lernaufgaben, bei denen das Ziel darin besteht, gemeinsam die Labels für Abfrage-(Test-)Beispiele vorherzusagen, gegeben eine Menge von Support-(Trainings-)Beispielen. Wir erreichen State-of-the-Art-Leistung auf den Benchmarks Meta-Dataset, mini-ImageNet und tiered-ImageNet. Alle trainierten Modelle und der Quellcode sind öffentlich unter github.com/plai-group/simple-cnaps verfügbar.