Trainierbare Klassenvorlagen für Few-Shot-Lernen

Metriklernen ist eine weit verbreitete Methode für Few-Shot-Lernen, bei der die Qualität der Prototypen eine entscheidende Rolle im Algorithmus spielt. In dieser Arbeit schlagen wir trainierbare Prototypen für die Distanzmaße vor, anstelle künstlich erzeugter Prototypen innerhalb des Meta-Trainings und Task-Trainings-Frameworks. Um die Nachteile zu vermeiden, die durch das episodische Meta-Training entstehen, verwenden wir ein nicht-episodisches Meta-Training basierend auf selbstüberwachtem Lernen (self-supervised learning). Insgesamt lösen wir Few-Shot-Aufgaben in zwei Phasen: erstens das Meta-Training eines übertragbaren Merkmalsextraktors durch selbstüberwachtes Lernen und zweitens das Training der Prototypen für die metrische Klassifizierung. Darüber hinaus wird ein einfaches Aufmerksamkeitsmechanismus sowohl im Meta-Training als auch im Task-Training eingesetzt. Unsere Methode erreicht den aktuellen Stand der Technik in einer Vielzahl etablierter Few-Shot-Aufgaben auf dem Standard-Datensatz für Few-Shot-Bildklassifizierung, mit einer Steigerung von etwa 20 % im Vergleich zu den verfügbaren unüberwachten Few-Shot-Lernmethoden.