The key challenge of few-shot learning is to recognize novel classes with a few examples. Most existing few-shot learning models represent a class as a single prototype to train a model which can adapt to novel classes. However, these methods make a model to ignore the detailed characteristics of the class. In this paper, we propose MPLNet that task-adaptively divides the class into account the detailed features of the class. Our key idea is to employ each prototype of a divided sub-class as a class prototype to represent a class as multiple prototypes and utilize unlabeled data, not only labeled data. In order to extract information from unlabeled data, we introduce pseudo-labeling for multimodal distribution to assign a pseudo-label to unlabeled data. Experimental results on miniImagenet and tieredImagenet show that our method is comparable to or even outperforms state-of-the-art methods.
퓨샷 러닝 기법은 극소수 정답 예시만으로 새로운 집단을 인지해야 한다. 극소수 정답 예시에 빠르게 적응하는 모델을 만들기위해, 기존 대부분의 연구들은 집단을 대표하는 하나의 원형을 만든다. 그러나, 하나의 원형으로 집단을 나타나게 되면 집단의 세부적인 특성을 보지 못하게 된다. 본 논문에서는 집단의 세부적인 특성을 고려하기 위하여 과제에 맞게 집단을 나누는 MPLNet을 제안한다. 우리의 핵심 아이디어는 나뉘어진 하위 집단 각각의 원형을 집단의 원형으로 삼아 집단을 다중 원형으로 나타내는 것과 정답 예시와 더불어 정답이 주어지지 않은 예시 역시 원형을 만드는데 사용하는 것이다. 정답이 주어지지 않은 예시의 정보를 활용하기 위해, Transductive-세팅에서 우리는 정답이 주어지지 않은 예시에 유사 정답을 부여하는 방법을 새롭게 제안한다. miniImagenet과 tieredImagenet에 대한 실험 결과는 우리 방법이 최첨단방법과 대등하거나 심지어 능가함을 보인다.
