Classification par apprentissage auto-supervisé et conscient des classes en few-shot

L'apprentissage non supervisé est considéré comme la matière noire de l'intelligence humaine. Pour progresser dans cette direction, cet article se concentre sur l'apprentissage non supervisé à partir d'une abondance de données non étiquetées, suivi d'un affinage en quelques exemples sur une tâche de classification descendante. À cette fin, nous prolongeons une récente étude sur l'adoption de l'apprentissage par contraste pour le pré-entraînement auto-supervisé en incorporant une prise de conscience au niveau des classes grâce à un regroupement itératif et un réordonnancement, et en élargissant la fonction de perte d'optimisation contrastive pour tenir compte de cela. Selon nos connaissances, nos expériences tant dans des scénarios standards que trans-domaines démontrent que nous établissons un nouveau niveau d'état de l'art (SoTA) dans les configurations (5-classes, 1 et 5-exemples) du benchmark standard mini-ImageNet ainsi que dans les configurations (5-classes, 5 et 20-exemples) du benchmark CDFSL trans-domaines. Notre code et nos expériences peuvent être consultés dans notre dépôt GitHub : https://github.com/ojss/c3lr.