摘要

元学习已成为少样本图像分类的一种实用方法，其中“一种学习分类器的策略”是在标记的基础类别上进行元学习，并可以应用于包含新类别的任务。我们去除了对基础类别标签的需求，通过无监督元学习（UML）学习可泛化的嵌入表示。具体而言，在元训练过程中，使用来自未标记基础类别的数据增强构建任务的多个实例，而在元测试过程中，则应用基于嵌入表示的分类器来处理包含少量标记示例的新任务。我们观察到，在UML中，采样任务的方式和测量实例之间相似性的方法起着重要作用。因此，通过两项简单的改进——一种能够高效地在每个训练轮次中构建多个任务的充分采样策略以及半归一化的相似性度量——我们获得了一个强大的基线模型。随后，我们从两个方面利用任务的特性以进一步提升性能。首先，引入合成的混淆实例以帮助提取更具区分性的嵌入表示；其次，在元训练过程中增加一个特定于任务的嵌入转换作为辅助组件，以提高预适应嵌入的泛化能力。在少样本学习基准上的实验验证了我们的方法优于以往的UML方法，并且其性能与有监督变体相当或甚至更好。