【论文阅读一】Adaptive Cross-Modal Few-shot Learning

1、introduction

这篇文章提出了一种将语义与视觉知识相结合的自适应的cross-modal。视觉和语义特征空间根据定义具有不同的结构。对于某些概念，视觉特征可能比文本特征更丰富，更具辨别力。但当视觉信息在图像分类中受到限制时，语义表示（从无监督的文本语料库中学习）可以提供强大的先验知识和上下文以帮助学习。此文就是基于此开展研究的，提出了Adaptive Modality Mixture Mechanism（AM3），an approach that adaptively and selectively combines information from two modalities, visual and semantic, for few-shot learning。AM3在基于度量的元学习方法上形成的，通过比较在已学习的度量空间中的距离来实现分类。文章在原型网络Prototypical Networks for Few-shot Learning的思想基础上，加入了文本信息（即语义表达）。

2、algorithm

在AM3中，文章增加了基于度量的FSL方法，以结合由词嵌入模型W学习的语言结构（pre-trained on unsupervised large text corpora)，在所有类别中包含了label embeddings。由于考虑到了label embeddings，AM3对每个类修改了原型表达（prototype representation）。有上图（左）就可以看出AM3将视觉和语义特征表达的凸组合形成