Selbstüberwachte klassenbewusste Few-Shot-Klassifikation

Das unüberwachte Lernen wird als die dunkle Materie der menschlichen Intelligenz betrachtet. In dieser Richtung arbeitend, konzentriert sich diese Arbeit auf das unüberwachte Lernen aus einer Fülle von nicht gekennzeichneten Daten, gefolgt von einem Few-Shot Feinabstimmungsprozess für eine nachgelagerte Klassifikationsaufgabe. Zu diesem Zweck erweitern wir eine jüngere Studie zur Anwendung des kontrastiven Lernens für das selbstüberwachte Vorabtraining durch die Einbeziehung von klassenbezogenem Wissen mittels iterativen Clusterns und Neuanordnens sowie durch die Erweiterung der kontrastiven Optimierungsfunktion, um dies zu berücksichtigen. Nach unserem Wissen zeigen unsere Experimente sowohl in Standard- als auch in Cross-Domain-Szenarien, dass wir einen neuen Stand der Technik (SoTA) in den (5-Way, 1- und 5-Shot)-Einstellungen des Standard-mini-ImageNet-Benchmarks sowie in den (5-Way, 5- und 20-Shot)-Einstellungen des Cross-Domain-CDFSL-Benchmarks setzen. Unser Code und unsere Experimente können in unserem GitHub-Repository gefunden werden: https://github.com/ojss/c3lr.