Learning to Compare: Relation Network for Few-Shot Learning论文笔记

前言

在语音问答系统领域，很多时候，每一个类所拥有的训练数据量是很少的，采用传统的分类器进行训练，很可能出现overfitting，为了应对这种问题，最近要研究一下小样本学习。
关于小样本学习的基本概念，可以参看https://www.chainnews.com/articles/650132977783.htm，该综述中还提到了每种类型算法中的典型算法。

论文评价

论文链接：https://arxiv.org/pdf/1711.06025.pdf
这篇论文结构简单，没有很多技巧，但是效果好，理论清晰，是一篇很赞的文章，很喜欢这类文章。

few-shot 算法

• few-shot: 通过对比图像与图像之间的特征来实现识别；
• zero-shot:通过对比对图像的描述和图像来实现识别；
• 该论文框架也可适用于zero-shot, 本节主要针对few-shot讲解

该论文采用一个深度网络，该网络包含两个模块：embedding module和relation module。
embedding module 负责将support set中的图像和batch中的图像进行编码（其实就是提取各自的特征），relation module的任务是以这两个特征为输入，判断两个图像的匹配得分，1表示是同一个类，0表示为不同类。
算法整体结构：

上图中$f_{\psi }$代表embedding module，$g_{\varphi }$代表relation module, 训练时 C-way k-shot中, 每个类中的1张query image（如上图中穿最下方穿红衣服的狗狗）通过embedding module得到其feature，该类support set中的k个images 都通过embedding module 得到k个features，将该k个features的对应元素求和得到该类的feature，将该类的feature和query image的feature进行concatenate送到relation module，relation module得到一个得分，利用MSE作为目标函数，上述过程用公式表示如下：
$$r_{i,j}=g_{\varphi }(C(f_{\psi }(x_i),f_{\psi }(x_j)))$$
其中，$C$代表concatenation，$r_{i,j}$代表得分。
目标函数为：
$$argmi{n}_{\psi ,\varphi }\sum _i^{i=m}\sum _j^{j=n}(r_{i,j}-1(y_i==y_j))$$
其中，$y_j$代表query image的类别标签， $y_i$代表support set中第i类的标签。

具体的网络结构如下图所示：

zero-shot

DNN用作处理image的embedding module， 可采用imageNet上训练好的InCeption v2或者ResNet101，左侧输入语义向量。