【CVPR2022】带噪声标签的少样本学习

在对新类进行训练时，少样本学习(FSL)方法通常假设具有准确标记样本的干净支持集。这种假设通常是不现实的: 支持集，无论多小，仍然可能包括错误标记的样本。因此，对标签噪声的鲁棒性对于FSL方法的实用性是至关重要的，但令人惊讶的是，这个问题在很大程度上仍然没有被探索。为了解决FSL设置中标签错误的样品，我们做了一些技术贡献。(1)我们提供简单而有效的特征聚合方法，改进了ProtoNet(一种流行的FSL技术)所使用的原型。(2)我们描述了一种新的Transformer 模型用于有噪声的少样本学习(TraNFS)。TraNFS利用Transformer的注意力机制来权衡标签错误和正确的样本。(3)最后，我们在噪声版本的MiniImageNet和TieredImageNet上对这些方法进行了广泛的测试。我们的结果表明，在干净的支持集上，TraNFS与领先的FSL方法相当，但到目前为止，在存在标签噪声的情况下，TraNFS的性能优于FSL方法。