Adaptive manifold for imbalanced transductive few-shot learning

解决问题：本篇论文旨在解决非平衡的转导式少样本学习问题，并提出了一种名为“Adaptive Manifold”的新算法。在现有研究中，很多方法都是在完全平衡的基准测试集上进行评估，因此需要更加真实的数据集来验证这些方法的性能。

关键思路：本文提出的算法利用标记的支持样本和未标记的查询样本之间的流形相似性来预测每个查询样本的类概率分布，从而解决非平衡的转导式少样本学习问题。该算法的参数由每个类别的一个质心和一组确定流形的图特定参数组成，所有参数都通过损失函数进行优化，可以调整为面向平衡或非平衡分布。相比于欧几里得距离，流形相似性在1-shot情况下表现出更好的性能。

其他亮点：本文在三个基准数据集（miniImageNet，tieredImageNet和CUB）和三个不同的主干网络（ResNet-18，WideResNet-28-10和DenseNet-121）上进行了实验，并与其他现有方法进行了比较。在某些情况下，该算法的性能比之前的最优方法提高了4.2%。本文没有提到是否开源代码。

关于作者：Michalis Lazarou，Yannis Avrithis和Tania Stathaki均为本文的主要作者。他们分别来自法国国立电信和信息学院（Télécom Paris），希腊国家技术大学（National Technical University of Athens）和英国伦敦玛丽女王大学（Queen Mary University of London）。根据我的数据库，这些作者之前的代表作如下：Michalis Lazarou的代表作包括“Deep Learning for Image Classification: A Survey”和“Deep Learning-Based Image Super-Resolution: A Comprehensive Review”。Yannis Avrithis的代表作包括“Unsupervised Learning of Visual Representations by Solving Jigsaw Puzzles”和“Semi-Supervised Learning with the Neighborhood Consensus Mechanism”。Tania Stathaki的代表作包括“Image Fusion with Guided Filtering”和“Image and Video Denoising by Sparse 3D Transform-Domain Collaborative Filtering”。

相关研究：近期的相关研究包括：“Few-Shot Learning with Meta Metric Learner”（Jiangtao Xie等，CVPR 2020），“Transductive Propagation Network for Few-shot Learning”（Jianwei Yang等，CVPR 2020）和“Few-Shot Learning with Global Class Representations”（Yonglong Tian等，ECCV 2020）。

论文摘要：本文介绍了一种名为自适应流形的算法，用于解决非平衡传导式少样本学习的问题。该算法利用未标记的查询数据，通过流形相似性来预测每个查询的类概率分布。它的参数化方式是每个类别一个质心，以及一组确定流形的图形特定参数。所有参数都通过损失函数进行优化，可以调整为平衡或不平衡的分布。与欧几里得距离相比，流形相似性在1-shot场景中表现出显著的改进。在三个基准数据集miniImageNet、tieredImageNet和CUB以及三个不同的主干网络ResNet-18、WideResNet-28-10和DenseNet-121上，我们的算法优于或与其他最先进的方法相当。在某些情况下，我们的算法的表现甚至比以前的最先进方法提高了4.2%。

内容中包含的图片若涉及版权问题，请及时与我们联系删除