少ショット分類の詳細な検討

少ショット分類は、訓練中に見られなかったクラスを限定的なラベル付きサンプルを使用して認識する分類器の学習を目指しています。著しい進歩が見られていますが、ネットワーク設計の複雑さの増加、メタ学習アルゴリズム、および実装詳細の違いにより、公正な比較が難しくなっています。本論文では、1) いくつかの代表的な少ショット分類アルゴリズムの一貫した比較分析を提示し、結果はドメイン間の差異が少ないデータセットにおいて、より深いバックボーンが方法間の性能差を大幅に縮小することを示しています。2) 競合する性能を達成する驚くべき修正基線法を提案しており、\miniI および CUB データセットで最先端技術と比較して競争力のある性能を発揮します。3) 少ショット分類アルゴリズムのクロスドメイン汎化能力を評価する新しい実験設定を導入しています。我々の結果は、特徴量バックボーンが浅い場合、クラス内変動を減らすことが重要な要因であることを明らかにしていますが、より深いバックボーンを使用する場合はそれほど重要ではありません。現実的なクロスドメイン評価設定において、標準的なファインチューニング手法を使用した基線法が他の最先端少ショット学習アルゴリズムに対して優れた性能を示すことを示しています。