在新课程训练时，几乎没有射击学习（FSL）方法通常假设具有准确标记的样品的清洁支持集。这个假设通常可能是不现实的：支持集，无论多么小，仍然可能包括标签错误的样本。因此，对标签噪声的鲁棒性对于FSL方法是实用的，但是这个问题令人惊讶地在很大程度上没有探索。为了解决FSL设置中标签错误的样品，我们做出了一些技术贡献。 （1）我们提供了简单而有效的特征聚合方法，改善了流行的FSL技术Protonet使用的原型。 （2）我们描述了一种嘈杂的噪声学习的新型变压器模型（TRANFS）。 TRANFS利用变压器的注意机制称重标记为错误的样品。 （3）最后，我们对迷你胶原和tieredimagenet的嘈杂版本进行了广泛的测试。我们的结果表明，TRANFS与清洁支持集的领先FSL方法相对应，但到目前为止，在存在标签噪声的情况下，它们的表现优于它们。
translated by 谷歌翻译
由于标记数据的稀缺性，使用在ImageNet上预先培训的模型是遥感场景分类中的事实上标准。虽然最近，几个较大的高分辨率遥感（HRRS）数据集具有建立新基准的目标，但在这些数据集上从头开始的培训模型的尝试是零星的。在本文中，我们显示来自划痕的训练模型在几个较新数据集中产生可比较的结果，可以进行微调在想象中预先培训的模型。此外，在HRRS数据集上学到的表示，更好地或至少与想象中学到的那些类似的人力出现场景分类任务转移到其他HRRS场景分类任务。最后，我们表明，在许多情况下，通过使用域名数据的第二轮预训练，即域 - 自适应预训练，获得最佳表示。源代码和预先训练的模型可用于\ url {https://github.com/risojevicv/rssc-transfer。}
translated by 谷歌翻译