Verbesserung der cross-domain Few-Shot-Klassifikation mit Multilayer-Perceptron

Die Klassifikation über Domänen hinweg bei wenigen Beispielen (Cross-Domain Few-Shot Classification, CDFSC) ist eine herausfordernde und schwierige Aufgabe aufgrund der erheblichen Verteilungsunterschiede zwischen verschiedenen Domänen. Um dieser Herausforderung zu begegnen, streben viele Ansätze an, übertragbare Repräsentationen zu lernen. Der Multilayer Perceptron (MLP) hat seine Fähigkeit gezeigt, übertragbare Repräsentationen in verschiedenen nachgelagerten Aufgaben zu erlernen, wie zum Beispiel bei der unüberwachten Bildklassifikation und der überwachten Verallgemeinerung von Konzepten. Sein Potenzial in Few-Shot-Einstellungen wurde jedoch bisher noch nicht umfassend erforscht. In dieser Studie untersuchen wir das Potenzial des MLPs zur Bewältigung der Herausforderungen der CDFSC. Insbesondere führen wir drei unterschiedliche Frameworks ein, die MLP in Übereinstimmung mit drei Arten von Few-Shot-Klassifikationsmethoden integrieren, um die Effektivität des MLPs zu verifizieren. Wir zeigen, dass MLP die diskriminativen Fähigkeiten erheblich verbessern und Verteilungsverschiebungen mildern kann, was durch unsere umfangreichen Experimente mit 10 Basismodellen und 12 Benchmark-Datensätzen gestützt wird. Darüber hinaus leistet unser Ansatz sogar eine vergleichbar gute Leistung gegenüber anderen state-of-the-art CDFSC-Algorithmen.