文献Generating Classification Weights with GNN Denoising Autoencoders for Few-Shot Learning(文章链接:https://arxiv.org/abs/1905.01102)中提出了一种解决小样本的迁移学习方法。它通过某些类似的大量的样本的特征提取训练出一组用于分类的meta-model(元模型),元模型最终能分辨的所有类别统称为base class(基类),我称之为一次训练,这次训练是有大样本的,之后再输入novel class(新类)跟相应的小样本,通过Graph Neural Network based Denoising Autoencoders (基于降噪自编码器DAE的图神经网络GNN)进行训练,最终得到一个对基类跟新类都适用的分类模型,这部分我称为二次训练,它的训练集只有小样本的权值向量跟一次训练的输出。
本文的二次训练模型包含一个feature extractor network(特征提取网)跟 feature classififier(特征分类器),对类的区分是通过classification weight vectors(分类权值向量)实现的,它是一个d维向量,用表示,对于给定的图像
,特征提取网络会输出一个d维特征向量
,特征分类器会输出一个分类得分:
。
具体的步骤如下:在一次训练时通过训练集训练出一个能够分辨出
个类的模型(或者网络),各个类的权值向量为