Apprentissage Auto-Supervisé pour la Classification d'Images en Petit Nombre de Tirages

La classification d'images à faible supervision vise à classer des classes inconnues avec un nombre limité d'échantillons étiquetés. Les travaux récents profitent du processus d'apprentissage par méta-apprentissage grâce à des tâches épisodiques et peuvent s'adapter rapidement aux classes lors de la transition de l'entraînement au test. En raison du nombre limité d'échantillons pour chaque tâche, le réseau de plongement initial pour le méta-apprentissage devient un élément essentiel et peut grandement influencer les performances en pratique. Ainsi, la plupart des méthodes existantes dépendent fortement d'un réseau de plongement efficace. En raison des données étiquetées limitées, l'échelle du réseau de plongement est contrainte dans une approche d'apprentissage supervisé (SL), ce qui constitue une bouteille d'étoupe pour les méthodes de classification à faible supervision. Dans cet article, nous proposons d'entraîner un réseau de plongement plus généralisé par apprentissage auto-supervisé (SSL), capable de fournir une représentation robuste pour les tâches downstream en apprenant directement des données elles-mêmes. Nous évaluons notre travail par des comparaisons exhaustives avec les méthodes de référence précédentes sur deux jeux de données de classification à faible supervision ({\em c'est-à-dire}, MiniImageNet et CUB) et obtenons des performances supérieures aux baselines. Des tests sur quatre jeux de données dans le cadre de la classification à faible supervision transdomaine montrent que la méthode proposée atteint des résultats state-of-the-art et prouve davantage la robustesse du modèle proposé. Notre code est disponible sur \hyperref[https://github.com/phecy/SSL-FEW-SHOT.]{https://github.com/phecy/SSL-FEW-SHOT.}