要約
少ショット画像分類は、限られたラベル付きサンプルを使用して未見のクラスを分類することを目指しています。最近の研究では、エピソードタスクを使用したメタ学習プロセスから恩恵を受け、訓練からテストへのクラスへの迅速な適応が可能となっています。各タスクにおけるサンプル数の制限により、メタ学習の初期埋め込みネットワークが重要な要素となり、実際の性能に大きく影響を与える可能性があります。このため、既存の方法の多くは効率的な埋め込みネットワークに強く依存しています。ラベル付きデータが限られているため、監督学習（SL）方式での埋め込みネットワークの規模は制約を受け、これが少ショット学習手法のボトルネックとなっています。本論文では、自己監督学習（SSL）を用いてより汎化された埋め込みネットワークを訓練することで、データ自体から学習し下流タスクに対して堅牢な表現を提供する方法を提案します。私たちは MiniImageNet および CUB の2つの少ショット分類データセットで以前の基準手法との広範な比較評価を行い、基準手法よりも優れた性能を達成しました。また、クロスドメイン少ショット分類における4つのデータセットでのテストでは、提案手法が最先端の結果を達成し、さらに提案モデルの堅牢性を証明しています。私たちのコードは \hyperref[https://github.com/phecy/SSL-FEW-SHOT.]{https://github.com/phecy/SSL-FEW-SHOT.} で公開されています。