摘要

少样本图像分类旨在利用有限的标记样本对未见过的类别进行分类。近期的研究通过元学习过程中的情景任务受益匪浅，能够在训练到测试的过程中快速适应新的类别。由于每个任务的样本数量有限，初始嵌入网络成为元学习的关键组件，实际上会对性能产生重大影响。为此，现有的大多数方法都高度依赖于高效的嵌入网络。由于标记数据有限，监督学习（SL）方式下的嵌入网络规模受到限制，这成为少样本学习方法的一个瓶颈。在本文中，我们提出了一种基于自监督学习（SSL）的方法来训练一个更具泛化的嵌入网络，该网络可以通过从数据本身学习为下游任务提供鲁棒表示。我们在两个少样本分类数据集（即 MiniImageNet 和 CUB）上进行了广泛的对比实验，评估了我们的工作，并取得了优于基线方法的性能。在跨域少样本分类任务中对四个数据集的测试表明，所提出的方法达到了最先进的结果，并进一步证明了模型的鲁棒性。我们的代码可在 \hyperref[https://github.com/phecy/SSL-FEW-SHOT.]{https://github.com/phecy/SSL-FEW-SHOT.} 获取。注：为了保持科技文献的专业性和准确性，“self-supervised learning” 翻译为“自监督学习”，“meta-learning” 翻译为“元学习”，“embedding network” 翻译为“嵌入网络”。同时，在引用具体数据集时保留其英文名称以确保信息完整。