【论文阅读记录】RepMet（原文全名太长这里放不下）（1）

前言：

{

    前几天在看傅立叶变换，本来也想就此在这做些记录，但一想到现在还有很多新动向我没有了解，就很想再看看最近的论文。所以这次还是论文阅读记录。

    论文地址：[1]。

}

 

正文：

{

    论文的第一节首先提到了深度神经网络的痛处：需要大量的样本（所以现在很多模型都使用了迁移学习，很多情况都是使用在ImageNet上训练好的结构做特征提取）。

    作者提到了few-shot learning（少样本学习），指出目前大多是对分类问题的few-shot learning的研究，但本论文的目的在于提供目标识别的few-shot learning的方法。

    Distance Metric Learning（DML，距离度量学习，具体内容可参考[2]）和其在分类和检测上的使用是本论文内容的中心。大概目的是让现有的目标检测器（可以参考RCNN[3]）的分离器“头”变得可以学习基于DML的类后验（class posterior，按照我的理解，作者的意思是在特征提取网络的输出向量上附加此向量到其他类代表（ class representative）的某种距离，之后把得到的复合向量输入到作者提出的新结构，而这些类代表也是通过联合学习得到的）。

 

    第二节介绍了相关研究。

    之前的研究工作表面，基于DML的分类会改进非DML方法的state-of-the-art。

    论文这里提到了Matching Networks (MN，匹配网络)。在MN中，数据集被分成了各个episodes（篇节），每个episode中都有M*N+1个样本（也就是