NeurIPS 2024｜少样本学习中类别原型和图片样本之间的信息差异对于泛化性能的影响

文章预览

↑ 点击 蓝字  关注极市平台 作者丨周展科 来源丨HKBU计算机系 编辑丨极市平台 极市导读   本文 提出了CoPA方法，通过为类别原型和数据样本使用不同的特征变换模块，并结合对称交叉熵损失函数，来保留并扩大它们之间的信息差异，从而提高跨域少样本分类任务的泛化性能。实验结果表明，CoPA在多个数据集上实现了优于现有方法的性能。   >> 加入极市CV技术交流群，走在计算机视觉的最前沿 在跨域少样本分类任务（cross-domain few-shot classification, CFC）中，一种主流的架构是预训练一个骨干网络作为特征提取器，在测试阶段在骨干网络的末端快速微调一个简单的轻量化特征变换模块。该特征变换模块能够将提取到的嵌入特征映射到一个任务特定的度量空间，在该空间中，通过比较数据样本 (图片) 特征与类别原型 (prototype) 特征之间的距离/相似度来 ………………………………