Unüberwachte Embedding-Anpassung durch frühestufige Merkmalsrekonstruktion für Few-Shot-Klassifikation

Wir schlagen eine unsupervisierte Embedding-Anpassung für die nachgeschaltete Few-Shot-Klassifikationsaufgabe vor. Ausgehend von der Beobachtung, dass tiefe neuronale Netze zunächst generalisieren, bevor sie memorisieren, entwickeln wir Early-Stage Feature Reconstruction (ESFR) – ein neuartiges Anpassungsverfahren, das Feature-Rekonstruktion und eine dimensionsbasierte frühe Beendigung nutzt, um generalisierbare Merkmale zu identifizieren. Die Integration von ESFR verbessert die Leistung aller Baseline-Methoden konsistent in allen gängigen Einstellungen, einschließlich der kürzlich vorgeschlagenen transduktiven Methode. Bei Kombination mit der transduktiven Methode erreicht ESFR zudem state-of-the-art Ergebnisse auf mini-ImageNet, tiered-ImageNet und CUB; insbesondere erzielt es im 1-Shot-Setting eine Genauigkeitssteigerung von 1,2 % bis 2,0 % gegenüber der bisher besten Methode.