79、胶囊内镜中基于元学习的少样本病变识别

胶囊内镜中基于元学习的少样本病变识别

在机器学习领域，分类任务是一个重要的研究方向。传统的监督分类模型和少样本学习在数据处理和目标上有所不同。下面将详细介绍相关概念、方法以及实验结果。

1. 基础概念

• 传统监督分类模型 ：在标准的监督分类模型中，数据集 $D$ 分为训练集 $D_{train}$ 和测试集 $D_{test}$。训练集 $D_{train} = {(x_{train}^i, y_{train}^i)} {i = 1}^N$，其中 $y_i \in {1, …, C_T}$，通过训练集学习函数 $f {\theta}(x)$。目标是为未标记的测试集 $D_{test} = {(x_k)} {k = 1}^K$ 预测标签 $\hat{y} = f {\theta}(x_k)$。
• 少样本学习 ：少样本学习中，数据集 $D = {D_{Base}, D_{New}}$，对应的类别为 ${C_{Base}, C_{New}}$，且 $C_{Base}$ 和 $C_{New}$ 相互不相交。目标是在基础类别 ${C_{Base}}$ 上学习模型 $f_{\theta}(D_{Base})$，使其能够仅用少量（$k$）支持样本快速适应 $D_{New}$ 中的未见类别。通过将每个样本映射到特征空间，使同一类别的样本对距离更近，不同类别的样本对距离更远。

2. 少样本分类概述

少样本分类旨在将从基础类别 $C_{Base}$ 学到的概念快速应用到未见类别 $C_{New}$ 上。它是单样