Sélection de caractéristiques pertinentes à partir d'une représentation multi-domaines pour la classification à faible exemple

Les approches courantes pour la classification en peu d'exemples consistent à apprendre d'abord une représentation générique des données à partir d'un grand jeu de données annoté, puis à adapter cette représentation à de nouvelles classes à partir d'un nombre très limité d'exemples étiquetés. Dans ce travail, nous proposons une nouvelle stratégie fondée sur la sélection de caractéristiques, qui est à la fois plus simple et plus efficace que les approches antérieures d'adaptation des caractéristiques. Tout d'abord, nous obtenons une représentation multi-domaines en entraînant un ensemble d'extracteurs de caractéristiques sémantiquement différents. Ensuite, face à une tâche de apprentissage en peu d'exemples, nous utilisons notre banque de caractéristiques multi-domaines pour sélectionner automatiquement les représentations les plus pertinentes. Nous démontrons qu'un classificateur non paramétrique simple construit sur ces caractéristiques atteint une haute précision et se généralise à des domaines jamais rencontrés durant l'entraînement, ce qui conduit à des résultats de pointe sur MetaDataset et à une amélioration de la précision sur mini-ImageNet.