跨域小样本HOTA网络

域对齐增强判别

利用图像块、样本到领域的层次几何结构进行最优传输域对齐，学习可迁移且具有判别性的特征表示。

Qiaonan, Li · 文贵华 · 杨佩

Pattern Recognition 2024

技术优势

跨域也能用

通过层次最优传输网络在域、样本和图像块三个粒度上对齐，缩小不同领域间的特征分布差异，使模型在未见过的领域上仍能有效识别新类别。

有监督无监督通吃

在监督和无监督的少样本学习场景下均能超越现有方法，意味着用户不需要额外标注或特定训练协议也能获得最佳性能。

应用场景

• 跨域图像分类：在标注稀缺的新领域图像分类任务中，直接用预训练权重微调即可获得高准确率，无需从零训练。
• 领域自适应：自动对齐源域和目标域特征分布，无需手工选择特征或复杂的对抗训练，即可提升目标域性能。
• 迁移学习：将跨域小样本场景下学到的可迁移表示直接用于新任务，减少对大量标注数据的依赖。