![](https://csdnimg.cn/release/download_crawler_static/88470265/bg3.jpg)
图2:用于少数镜头分类的各种分类器。(a)匹配网络创建成对分类器。(b)原型网络基于同一类中的样本创建均值
分类器(c)关系网络产生非线性分类器。
(d)我们提出的方法使用子空间创建分类器。
al. [11]观察到网络的激活与其分类器(最终层)的权
重相关,并主张由激活构成的原型足以用于分类。其
他作品使用特征注意力模块[28,29]来调节少数学习的
特征[30,31]。
最近的几项工作针对少数半监督学习(FS-SSL)。
Garcia等人[32]利用图神经网络进行半监督设置,其中
未标记的数据通过图神经网络(GNN)与标记的数据
连接。然后,从GNN提取的特征被用来分类查询。另
一个由Ren
等人
提出的FS-SSL协议。[33]表明,未标记
的图像有助于支持集的样本提高少镜头分类的性能。
[33]中提出的方法是基于原型网络[20],通过使用未标
记的图像来细化原型。
3.
问题设置
首先,我们定义了少量学习中使用的术语。以元学
习的方式为每次迭代训练一些样本。为了获得一个训
练好的模型,所谓
的情节
被用来对数据进行采样一集
T
i
由两个集合组成,支持集S和查询集Q。这种学习范
式描述了机器如何
提高了在每次迭代中提供碎片数据能力。具体来说,
深度嵌入是用lim学习的,
其中未标记的数据被提供给模型。在文献中,各种配
置被考虑用于半监督少次学习,[第32在这项工作中,
我们遵循[33]中具有挑战性的协议,其中所谓
引入
了干扰物
。因此,一个片段包括支持集
S
、查询
集
Q
和未标记集R。支持(标记的)
S
和查询
Q
集被配
置为在少数镜头学习中。此外,提供未标记的集合
R
以辅助在情节内的分类任务。在联合国
-
标记集,有来自两个不同来源的样本:支持类和
干扰
类。顾名思义,来自
干扰
项类的样本与分类任务无关
4.
该方法
4.1. 初步
我们考虑一个少镜头学习问题,分两个阶段:特征
提取器和动态分类器。设
f
Θ
:
X →
R
D
是从输入空间
X
到
由 神 经网 络 实现 的
D
维 表 示的 映 射, 并 且
X
c
={
x
c
,
1
,
· · ·
,
x
c
,
K
}
是类特 定的集合。We formulate the
problem of few-shot learning as generating
动态分类器为此,沿着softmax层的神经网络的最后一
层实现:
搜索范例被公知为N路K镜头分类(
例如
,20-1路和5路
5路)。我们引入
我们的符号(
N-
路,
K-
镜头)少镜头学习。每个情
节或任务
Ti
由支持集
S
={(
x
1
,
1
,
c
1
,
1
)
,
(
x
1
,
2
,
c
1
,
2
)
,
···
,
(
x
N
,
K
,
c
N
,
K
) }
和 查 询 集
Q
=
{
q
1
,
···
,
q
N
×M
}组成,其中
x
i
,
j
表示来自类
i
的
第
j
个样本,
c
i
,
j
∈ {1
,
·
··
,
N
}
.
在半监督设置中,另
外存在未标记集合
R ={
r
1
,
...
,
r
U
}
内。
一个相关的问题是半监督的少次学习-