【论文笔记】3D Model classification based on few-shot learning

【Title】3D Model classification based on few-shot learning

【Link】https://doi.org/10.1016/j.neucom.2019.03.105

【Key-words】FSL、PointCloud、3D model classification、LSTM

Problem&Motivate

为了在的3D model分类的场景中，使用少量的数据，实现模型的训练，在本文中，提出了一个基于LSTM的双元学习器模型，来学习用于训练另两个神经网络分类器的优化算法。本质是通过meta-learning学习一个优化的算法来指导分类网络在few-shot应用中更快收敛，性能更好。

基于梯度下降的算法，例如momentum、Adagrad、Adadelta、ADAM并不是为了特定的数量样本下设计的，不同few-shot中的KN个样本，他们更多是应用在样本数量较大的情况，需要很多部的迭代才能收敛。并且在特定的情况下，需要重新初始化参数，这样在数据更新后，就会限制算法收敛能力。

迁移学习是一种缓解的方案，但是会导致fine-turning后的网络，会偏离原来的已训练的网络。

文章提出的是基于优化函数的角度来实现3D model的few-shot classification 问题。

Method

论文提出了一种基于lstm的双元学习器优化器，用于优化学习神经网络分类器。元学习者在单任务中获取短期知识，在所有任务中获取长期知识。该meta-learning 模型通过直接捕获优化算法为目标，在只进