ラベルのない画像からの部位発見と増幅を用いた Few-Shot 学習

少ショット学習は、未見のクラスを認識するために与えられるインスタンスが少ないため、困難な課題となっています。この問題を緩和する一つの方法は、類似したタスクでのメタ学習を通じて強力な帰納的バイアスを獲得することです。本論文では、このような帰納的バイアスがラベルの付いていない画像のフラットな集合から学習できることを示し、既知と未知のクラス間で転送可能な表現として具体化できることがわかりました。具体的には、画像とその識別部分との類似性を最大化することで転送可能な表現を学習する新しい部位ベースの自己監督表現学習スキームを提案します。少ショット分類におけるデータ不足による過学習を軽減するために、ベースデータセットから追加の画像を検索する部位拡張戦略も提案しています。私たちはminiImageNetおよびtieredImageNetベンチマークにおいて系統的な研究を行いました。特に、私たちの手法は5クラス1ショット設定と5クラス5ショット設定において、以前の最良の非教師あり手法よりも7.74%および9.24%高い性能を示し、最先端の教師あり手法に匹敵する結果を得ています。