Few-Shot Bildklassifizierung durch kontrastives selbstüberwachtes Lernen

Die meisten bisherigen Few-Shot-Lernalgorithmen basieren auf Meta-Training mit künstlichen Few-Shot-Aufgaben als Trainingsbeispiele, wobei große, beschriftete Basisklassen erforderlich sind. Das trainierte Modell ist auch durch den Aufgabentyp begrenzt. In dieser Arbeit schlagen wir ein neues Paradigma des unüberwachten Few-Shot-Lernens vor, um diese Mängel zu beheben. Wir lösen die Few-Shot-Aufgaben in zwei Phasen: Meta-Training eines übertragbaren Merkmalsextraktors durch kontrastives selbstüberwachtes Lernen und Training eines Klassifikators unter Verwendung von Graphaggregation, Selbst-Distillation und Mannigfaltigkeitsverstärkung (manifold augmentation). Sobald das Meta-Training abgeschlossen ist, kann das Modell bei jeder Art von Aufgabe mit einem aufgabenabhängigen Klassifikatortraining eingesetzt werden. Unsere Methode erzielt den aktuellen Stand der Technik in einer Vielzahl etablierter Few-Shot-Aufgaben auf standardmäßigen Few-Shot-Bildklassifizierungsdatensätzen, wobei eine Steigerung um 8 bis 28 % im Vergleich zu verfügbaren unüberwachten Few-Shot-Lernmethoden erreicht wird.