摘要

少样本学习（Few-shot learning）旨在利用少量标记示例构建新类别的分类器，通常通过访问一组不同的“基础类别”（base classes）的示例来实现。测试集（新类别）与用于学习归纳偏置的基础类别之间的数据分布差异往往导致在新类别上的泛化性能较差。为了缓解由分布变化引起的问题，先前的研究探索了在使用基础类别的标记示例外，还使用新类别的未标记示例的方法，这被称为传递设置（transductive setting）。在本研究中，我们惊讶地发现，现成的自监督学习方法在 miniImageNet 数据集上，在不使用任何基础类别标签的情况下，5-样本精度比传递式少样本方法高出 3.9%。这一结果促使我们更加仔细地考察通过自监督学习获得的特征在少样本学习中的作用。我们进行了全面的实验，以比较监督和自监督特征的可迁移性、鲁棒性、效率以及互补性。