Classification non supervisée d'images à faibles exemplaires par apprentissage de caractéristiques dans l'espace de regroupement

La plupart des méthodes de classification d’images à peu de exemples sont entraînées sur la base de tâches. Habituellement, ces tâches sont construites à partir de classes de base disposant d’un grand nombre d’images étiquetées, ce qui exige une importante quantité d’efforts. Les méthodes non supervisées de classification d’images à peu de exemples, quant à elles, n’ont pas besoin d’images étiquetées, car elles nécessitent que les tâches soient construites à partir d’images non étiquetées. Afin de construire efficacement des tâches à partir d’images non étiquetées, nous proposons une nouvelle méthode à une seule étape de regroupement : Learning Features into Clustering Space (LF2CS), qui consiste d’abord à définir un espace de regroupement séparable en fixant les centres de regroupement, puis à utiliser un modèle apprenable pour apprendre des caractéristiques dans cet espace. Sur la base de notre méthode LF2CS, nous proposons une méthode d’échantillonnage d’images et de construction de tâches c-ways k-shot. Grâce à cela, nous introduisons une nouvelle méthode non supervisée de classification d’images à peu de exemples, qui apprend simultanément le modèle apprenable, le regroupement et la classification d’images à peu de exemples. Des expériences et des visualisations montrent que notre méthode LF2CS possède une forte capacité à généraliser aux nouvelles catégories. Du point de vue de l’échantillonnage d’images, nous avons mis en œuvre quatre méthodes de référence selon la manière de construire les tâches. Nous avons mené des expériences sur les jeux de données Omniglot, miniImageNet, tieredImageNet et CIFARFS, en utilisant comme architectures de base Conv-4 et ResNet-12. Les résultats expérimentaux montrent que notre méthode surpasser les méthodes de l’état de l’art.