靓仔博客

少样本分类是一个具有挑战性的问题，因为每个新任务只提供很少的训练示例。解决这一挑战的有效研究路线之一集中在学习由查询图像和某些类别的少数支持图像之间的相似性度量驱动的深度表示。从统计学上讲，这相当于测量图像特征的依赖性，被视为高维嵌入空间中的随机向量。以前的方法要么只使用边际分布而不考虑联合分布，受限于表示能力，要么虽然利用联合分布但计算成本很高。在本文中，我们提出了一种用于少样本分类的深度布朗距离协方差（DeepBDC）方法。 DeepBDC 的中心思想是通过测量嵌入特征的联合特征函数与边缘乘积之间的差异

少样本学习受到标记训练数据稀缺的影响。将图像的局部描述符作为图像的表示可以大大增加现有的标记训练数据。现有的基于局部描述符的小样本学习方法利用了这一事实，但忽略了局部描述符所表现的语义可能与图像语义无关。在本文中，我们从一个新的角度来处理这个问题，即对图像的局部描述符施加语义一致性。我们提出的方法由三个模块组成。第一个是局部描述符提取器模块，它可以在一次前向传递中提取大量局部描述符。第二个是局部描述符补偿器模块，它用图像级表示来补偿局部描述符，以使局部描述符和图像语义之间的语义对齐。第三个是基于局部描述符的

基于原型的小样本学习方法很有希望，因为它们简单而有效地处理任意样本问题，并且从那时起提出了许多与原型相关的工作。然而，这些传统的基于原型的方法通常只使用一个原型来表示一个类，这本质上不能有效地估计一个类的复杂分布。为了解决这个问题，我们在本文中提出了一种新颖的基于局部描述符的多原型网络（LMPNet），这是一个精心设计的框架，可以生成具有多个原型的嵌入空间。具体来说，所提出的 LMPNet 使用局部描述符来表示每个图像，与通常采用的图像级特征相比，它可以捕获图像的更多信息和更微妙的线索。此外，为了减轻原型的

图像分类中的小样本学习旨在学习一个分类器来在每个类只有很少的训练示例可用时对图像进行分类。最近的工作取得了有希望的分类性能，其中通常使用基于图像级特征的度量。在本文中，我们认为，鉴于小样本学习中示例的稀缺性，这种级别的测量可能不够有效。相反，我们认为应该采用基于局部描述符的图像到类的度量，其灵感来自于它在局部不变特征的鼎盛时期令人惊讶的成功。具体来说，在最近的情景训练机制的基础上，我们提出了一个深度最近邻神经网络（简称 DN4）并以端到端的方式对其进行训练。它与文献的主要区别在于最后一层中基于图像级特征的度

我们提出了一种新颖的基于度量的元学习框架，在知识图谱的帮助下提取任务特定的表示和任务共享的表示。因此，可以通过任务共享和任务特定表示的组合来对抗任务内/任务之间的数据转移。所提出的模型在流行的基准和两个构建的新的具有挑战性的数据集上进行了评估。评估结果证明了其卓越的性能。

少样本分类具有挑战性，因为训练集的数据分布可能与测试集大不相同，因为它们的类不相交。这种分布变化通常会导致泛化能力差。流形平滑已被证明可以通过扩展决策边界和减少类表示的噪声来解决分布偏移问题。此外，流形平滑度是半监督学习和转导学习算法的关键因素。在这项工作中，我们建议使用嵌入传播作为无监督的非参数正则化器，用于小样本分类中的流形平滑。嵌入传播利用基于相似图的神经网络提取特征之间的插值。我们凭经验表明嵌入传播会产生更平滑的嵌入流形。我们还表明，将嵌入传播应用于转导分类器在 miniImagenet、tiere

度量学习：关系网络

原型网络，基于这样的想法，即存在一个嵌入，其中点围绕每个类的单个原型表示聚集。为了做到这一点，我们使用神经网络学习输入到嵌入空间的非线性映射，并将类的原型作为其在嵌入空间中的支持集的平均值。然后通过简单地找到最近的类原型对嵌入的查询点执行分类。

目标是首先学习一个神经网络，可以区分图像对是否是来自同一个类别，这是图像识别的标准验证任务。我们假设在验证方面做得好的网络应该推广到一次分类。验证模型学习根据输入对属于同一类或不同类的概率来识别输入对。然后，该模型可用于评估新图像，每个新类恰好有一个新图像，以两两方式对测试图像进行评估。根据验证网络，得分最高的配对将获得完成一次性任务的最高概率。