标题：哥伦比亚大学, 亚马逊, 东北大学等|Enhancing Few-Shot Image Classification with Unlabelled Examples（使用未标记的示例增强少样本图像分类）

推荐理由：在元数据集、mini-ImageNet 和分层 ImageNet 基准上达到最先进性能

作者：Peyman Bateni、Jarred Barber

简介：我们开发了一种转导元学习方法，使用未标记的实例来提高少样本图像分类性能。 我们的方法将基于正则化的Mahalanobis距离的软K均值聚类程序与最先进的神经自适应特征提取器相结合，以使用未标记的数据提高测试时分类准确性。由此产生的架构转导CNAPS 在产生有用的类均值和协方差估计方面更有效，尤其是在小样本测试时使用时。尽管我们证明我们的方法在转导中的有效性，查询示例本身用作未标记数据的领域，我们的软K均值聚类程序可以自然地扩展到使用其他未标记示例来源一种半监督的范式。转导CNAPS表面上类似于堆叠在学习特征表示之上的转导GMM；然而，当我们试图使这种联系准确时（通过包括类协方差的对数行列式），我们遭受了重大的性能打击。

下载地址：https://arxiv.org/pdf/2006.12245v5.pdf

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