摘要

少样本分类旨在仅使用每类少量标注样本的情况下识别未见类别。许多面向少样本分类的元学习模型通过精心设计各类任务共享的归纳偏置（即元知识）来解决此类问题，并取得了令人瞩目的性能表现。然而，当训练任务与测试任务之间存在领域偏移（domain shift）时，所获得的归纳偏置难以在不同领域间有效泛化，从而导致元学习模型性能下降。为此，本文致力于通过任务增强（task augmentation）提升归纳偏置的鲁棒性。具体而言，我们考虑源任务分布周围的最坏情况，提出了一种对抗性任务增强方法，能够生成适应归纳偏置的“挑战性”任务。该方法可作为简单即插即用的模块，适用于多种元学习模型，并显著提升其跨领域泛化能力。我们在九个少样本分类数据集（包括mini-ImageNet、CUB、Cars、Places、Plantae、CropDiseases、EuroSAT、ISIC和ChestX）上开展了广泛的跨领域实验。实验结果表明，所提方法能够有效提升元学习模型在领域偏移条件下的少样本分类性能，优于现有方法。代码已公开，地址为：https://github.com/Haoqing-Wang/CDFSL-ATA。