基于度量的小样本学习的主流网络有哪些

基于度量的小样本学习涉及多个网络模型，以下是其中一些主流的网络模型：

1. 孪生网络（Siamese Network）：孪生网络由两个相同结构的子网络组成，这两个子网络共享参数。它通过将两个输入样本映射到同一个特征空间，并通过度量函数（如欧氏距离、余弦相似度等）计算它们之间的距离来进行分类。

2. 三元组网络（Triplet Network）：三元组网络通过构造三元组样本来进行训练，一个三元组由一个锚样本（anchor）、一个正样本（positive）和一个负样本（negative）组成。它通过学习使得锚样本与正样本之间的距离较近，锚样本与负样本之间的距离较远。

3. Prototypical Network：Prototypical Network是一种基于原型的小样本学习方法。它通过计算每个类别的原型向量来进行分类。原型向量是每个类别中所有样本的平均值，然后通过计算输入样本与原型向量之间的距离来确定其类别。

4. Relation Network：Relation Network 是一种基于关系的小样本学习方法。它通过学习一个关系函数来判断输入样本与各个类别之间的关系，从而进行分类。

5. Matching Network：Matching Network 是一种基于匹配的小样本学习方法。它通过学习一个匹配函数来判断输入样本与各个类别之间的匹配程度，从而进行分类。

需要注意的是，以上列举的仅是其中一些主流的网络模型，随着研究的不断深入，还可能会出现新的网络模型和方法。此外，这些网络模型也可以结合使用或与其他方法进行组合，以进一步提高性能。