Few-Shot Image Classificationのベースライン

標準的な交差エントロピー損失で学習された深層ネットワークをファインチューニングする手法は、少数回学習（few-shot learning）における強力なベースラインである。この手法を伝達的（transductive）にファインチューニングすると、同じハイパーパラメータを用いて、Mini-ImageNet、Tiered-ImageNet、CIFAR-FS、FC-100といった標準的なデータセットにおいて、現在の最先端手法を上回る性能を達成する。このアプローチの単純さにより、ImageNet-21kデータセットにおける初めての少数回学習結果を提示することができる。また、メタ学習用のクラス数を多く設定することで、少数回学習クラス数が多いために困難な状況でも高い精度が得られることを確認した。本研究では、このアプローチを少数回学習の解決策として提唱するものではないが、むしろ現在のベンチマークや少数回学習プロトコルの限界を浮き彫りにするために用いている。さらに、ベンチマークデータセットを広範に検証し、少数回学習エピソードの「難易度（hardness）」を定量化するための指標を提案した。この指標は、少数回学習アルゴリズムの性能をより体系的かつ明確に報告する手段として活用可能である。