论文笔记：Piecewise classifier mappings: Learning FG learners for novel categories with few examples

Piecewise classifier mappings: Learning fine-grained learners for novel categories with few examples

0 摘要

few-shot细粒度分类（FSFG,few-shot fine-grained recognition），用极少样本为新类别建立分类器。

本文提到的网络包括双线性特征学习模块和分类器映射模块。关键是后者分类模块的分段映射"piecewise mapping"函数，它学习一组更多可获得的子分类器来生成决策边界。以元学习的方式学习基于辅助数据集的**“示例-分类器”映射**。

1 引言

旨在从很少的带有标签的训练示例中学习细粒度分类器。

提出了一个端到端可训练网络，包括双线性特征学习模块（将少量样本的区别信息编码进特征向量）和分类器映射模块（学习一组更多可获得的子分类器来生成决策边界）。

高度非线性映射用子向量-子分类器映射来拟合，再将子分类器组合为全局分类器，区分不同类别的样本。基于隐式“部分”的特征到分类器映射可对简单和纯净的信息进行编码，使映射更容易。

piecewise mapping减少了模型参数量，计算效率更高。以元学习方式，使用辅助数据集学习示例-分类器映射。贡献：

1. few-shot设置，提出了一种元学习策略来解决FSFG问题。
2. 名为“piecewise mapping”的示例到分类器映射策略，用BCNN特征以参数很少的方式学习判别式分类器。
3. 充分实验，性能优异

2 相关工作

细粒度分类

区别特征表示、对齐、[无]监督定位等。

通用few-shot图像识别

研究从几个示例中赋予学习系统快速学习新颖类别的能力的可能性。极端的one-shot learning。

learning-to-learn范式、匹配网络、原型网络、回归网络、元学习、与模型无关的元学习方案、训练新颖类别的参数预测器。

few-shot 细粒度图像识别更具挑战。分段映射组件。

3 方法

3.1 学习策略、涉及到的符号

以元学习（meta-learning）框架为基础，将分类器生成过程看作是映射函数（从少数带有类别标签的训练示例到其相应类别分类器，不是类别，是分类器）。

辅助训练集$\mathcal{B}$包含$N$个训练图像 B = { ( I 1 , y 1 ) , . . . , ( I N , y N ) } \mathcal B=\{(\mathcal{I_1},y_1),...,(\mathcal{I_N},y_N)\} B={ (I1​,y1​),...,(IN​,yN​)}（${\mathcal{I}}_i$是示例图像， y 1 ∈ { 1 , 2 , . . . , C B } y_1\in\{1,2,...,C_\mathcal{B}\} y1​∈{ 1,2,...,CB​}是标签）。映射功能学习之后，应用于测试集$\mathcal{N}$评估性能，注意，$\mathcal{N}$中存在$\mathcal{B}$没有的类别（新类别）。

在训练过程中，$\mathcal{E}$将被输入到要学习的映射函数$M$中，以生成类别分类器$F_{\mathcal{E}}$，$\mathcal{E}\to F_{\mathcal{E}}$。$F_{\mathcal{E}}$再应用于$\mathcal{Q}$以评估分类损失（通过损失优化模型是通过查询集而不是示例集），通过最小化分类损失来学习映射功能。形式化表示： min ⁡ λ E E , Q ∼ B { L ( F E ◦ Q ) } \min_λ E_{ {\mathcal E,\mathcal Q}\sim \mathcal B}\{\mathcal L(F_\mathcal{E}◦\mathcal Q)\} minλ​EE,Q∼B​{ L(FE​◦Q)}，$\lambda$表示映射函数$M$的参数，$\mathcal{L}$是损失函数，$F_{}$