摘要

跨域少样本分类任务（Cross-domain Few-shot Classification, CD-FSC）将少样本分类与跨数据集域泛化的要求相结合。该任务面临两大挑战：一是每个类别中可用的标注数据极为有限；二是训练集与测试集之间存在域偏移（domain shift）。本文提出一种针对现有少样本分类（FSC）模型的新型训练方法，该方法利用现有解释方法对FSC模型预测结果所生成的解释得分，并基于模型中间特征图进行计算。首先，我们对层间相关性传播（Layer-wise Relevance Propagation, LRP）方法进行了适配，使其能够解释FSC模型的预测结果。其次，我们设计了一种模型无关的解释引导训练策略，该策略能够动态识别并强化对预测结果具有关键作用的特征。本文的贡献并非提出一种新的解释方法，而在于将现有解释技术创新性地应用于模型训练阶段。实验结果表明，基于解释的引导训练显著提升了模型的泛化能力。我们在五个少样本学习数据集（miniImageNet、CUB、Cars、Places 和 Plantae）上验证了该方法的有效性，发现其在三种不同的FSC模型——RelationNet、交叉注意力网络（cross-attention network）以及基于图神经网络（GNN）的模型——上均实现了准确率的提升。相关源代码已公开，获取地址为：https://github.com/SunJiamei/few-shot-lrp-guided