类别少怎么做小样本学习图像分类？

Question

现象描述

一般做小样本图像分类的数据集类别非常多（例如miniImageNet和cifar都有100类，CUB有200类，tieredImageNet更多有608类），它们根据不同的比例将数据集划分为类别不相交的train（基类，用于训练模型）、val（验证是否过拟合，调节训练参数）、test（构造support set和query图片，组成n-way k-shot的任务tasks，用于测试模型得到精度）三部分。


而现在有一个只有9类的图像数据集，按照常见的5-way 1-shot和5-way 5-shot任务，test的类别至少为5，那么train的基类类别个数自然就很少，不满足基类在划分比例中占大头的常规做法。

我的想法

A. 硬着头皮划分按照3:1:5的比例划分数据集
B. 将每个类别的图像对半分，形成18个类；再按照8:5:5的比例划分数据集


以上做法是否可行？

Answer 1

引自免费微信小程序：皆我百晓生。

对于小样本学习，可以利用迁移学习、数据增强、 Few-Shot Learning 方法（如Meta-Learning）来提升模型在少数样本类别的泛化能力。