Korrigieren des Kurzschluss-Lernens des Hintergrunds für Few-Shot-Lernen

Der Kategorienunterschied zwischen Training und Evaluation wird als einer der Haupthindernisse für den Erfolg des Few-Shot Learning (FSL) betrachtet. In diesem Paper identifizieren wir erstmals empirisch den Bildhintergrund, der in realistischen Bildern häufig vorkommt, als eine kurzschließende Information, die für die Klassifikation innerhalb der Klassen hilfreich ist, jedoch über die Trainingskategorien hinaus nicht verallgemeinerbar ist. Wir entwickeln einen neuartigen Ansatz, COSOC, um dieses Problem zu bewältigen, indem er Objekte im Vordergrund sowohl während des Trainings als auch während der Evaluation ohne zusätzliche Aufsicht extrahiert. Umfangreiche Experimente an induktiven FSL-Aufgaben belegen die Wirksamkeit unseres Ansatzes.