摘要

少样本学习是一项具有挑战性的任务，因为用于识别未见过类别（unseen class）的实例数量非常有限。缓解这一问题的一种方法是通过在类似任务上进行元学习（meta-learning），从而获得强大的归纳偏置（inductive bias）。在本文中，我们展示了这种归纳偏置可以从一组未标记图像中学习，并作为已见和未见类别的可迁移表示（transferable representations）加以实现。具体而言，我们提出了一种基于部件的自监督表示学习方案，通过最大化图像与其判别性部件（discriminative part）之间的相似度来学习可迁移表示。为了缓解因数据稀缺导致的少样本分类中的过拟合问题，我们进一步提出了一种部件增强策略，即从基础数据集中检索额外的图像以增加训练样本。我们在 miniImageNet 和 tieredImageNet 基准数据集上进行了系统研究。值得注意的是，我们的方法取得了令人印象深刻的结果，在 5 类 1 次和 5 类 5 次设置下分别超过了之前最佳无监督方法 7.74% 和 9.24%，其性能与最先进的有监督方法相当。