少量サンプル画像分類における未ラベル例を活用した性能向上

我々は、ラベルの付いていないサンプルを活用して、少サンプル画像分類の性能を向上させるトランスダクティブなメタラーニング手法を開発した。本手法は、正則化されたマハラノビス距離に基づくソフトk-meansクラスタリング手順と、最新の神経ネットワークアダプティブ特徴抽出器を改良した構造を組み合わせることで、テスト時における未ラベルデータを活用した分類精度の向上を実現している。本手法は、サポート（学習）サンプルのセットが与えられたもとで、クエリ（テスト）サンプルのラベルを同時に予測することを目的とするトランスダクティブ少サンプル学習タスクにおいて評価された。その結果、Meta-Dataset、mini-ImageNet、tiered-ImageNetの各ベンチマークにおいて、現在の最先端性能を達成した。すべての学習済みモデルおよびコードは、github.com/plai-group/simple-cnaps にて公開されている。