The Devil is in the Few Shots: Iterative Visual Knowledge Completion for Few-shot Learning

本文介绍了一种名为“迭代视觉知识补充”（KCL）的方法，用于在没有访问任何辅助或合成数据的情况下，通过正确利用未标记样本来补充视觉知识，从而解决少样本学习的问题。KCL首先测量未标记样本与每个类别之间的相似性，然后根据设计的置信度标准选择每个类别的置信度最高的样本，并将其作为标记样本添加到少样本中，以联合重新估计其余未标记样本。这些步骤将在一定数量的迭代中重复进行，直到收敛，确保一个渐进和强大的知识补充过程。在11个基准数据集上的广泛实验表明，KCL作为一个即插即用的模块，在少样本和零样本学习设置下都具有有效性和效率。代码可在https://github.com/Mark-Sky/KCL上获得。

本论文旨在通过一种迭代的视觉知识补全（KCL）方法，解决现有少样本学习方法中，少量样本数据导致的视觉知识不完整、分类错误的问题。同时，该方法不需要使用额外的辅助或合成数据。

KCL方法通过度量未标记样本与每个类别之间的相似性，选取与每个类别置信度最高的样本，并将其加入到少量样本中，以共同重新估计其余未标记样本。这个过程将重复进行多次，直到收敛，从而实现渐进式和稳健的知识补全过程。

该方法在11个基准数据集上进行了广泛的实验，证明了在少样本和零样本学习设置下，KCL作为一个即插即用的模块的有效性和效率。此外，该论文提供了开源代码。

近期在这个领域中，还有一些相关的研究。例如：《Few-shot Learning with Global Class Representations》、《Few-Shot Learning with Adversarial Learning and Transfer Learning》。