近日，本实验室计算机科学与技术专业2019级博士研究生安悦瑄同学在人工智能领域顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence (IEEE TPAMI)上发表题为“From Instance to Metric Calibration: A Unified Framework for Open-World Few-Shot Learning”的研究论文。此研究在实验室副主任薛晖教授的指导下完成。
该研究聚焦于面向开放世界的小样本学习方法研究。研究团队发现，大多数现有的小样本学习方法是基于封闭环境的假设，而没有考虑模型面对开放环境时的鲁棒性。事实上，由于开放环境中场景复杂多样，即使是小样本数据也需要考虑无处不在的噪声。目前，部分鲁棒小样本学习方法试图解决小样本数据中存在的噪声问题。然而，这些方法仅仅集中于噪声图像是闭集范围的小样本问题，即噪声仅来自已知域。然而，由于开放环境的未知性，噪声常来自于未知域。研究团队将这一具有挑战性的问题定义为开放世界小样本学习问题(Open-World Few-Shot learning, OFSL)。针对OFSL的复杂性和不确定性的两个关键挑战，研究团队提出了一个从实例到度量角度校准的统一对偶网络框架(Instance-Wise and Metric-Wise Calibration, IDEAL)。该框架利用实例校准通过类内和类间信息分别在对偶网络构建的两个嵌入空间中生成类原型，并利用度量校准融合两个语义空间度量从而自适应地校准度量分数。实验结果表明，IDEAL框架在处理开放世界小样本学习时的鲁棒性和分类精度显著优于现有的小样本学习方法。
论文链接：https://ieeexplore.ieee.org/document/10041935
