科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统少样本学习算法的框架是元训练+元测试，在元训练阶段以少样本任务作为训练样本，需要大量带标签基类图像样本。同时训练后的模型受到任务类型的限制。基于此，提出了一种新的少样本学习算法框架即预训练+任务训练，以解决原有框架的弊端，并提出ODC-FSL算法具体实现该框架。ODC-FSL利用自监督式的预训练阶段获得通用的特征提取器，在任务训练阶段针对特定少样本分类任务训练获得分类器，用于最终的图像分类。同时采用图上特征更新、自蒸馏训练的方式进一步提升分类器训练效果。与现存无监督少样本学习方法相比，ODC-FSL的分类准确率提高了18～32%。
