《Adaptive Subspaces for Few-Shot Learning 》学习笔记

贡献:使用子空间来扩展现有的动态分类器。在训练过程中，引入了一种鼓励子空间之间最大差别的判别性公式，进一步提高了性能。

表示类c的子空间的基可以通过矩阵分解，如奇异值分解(SVD)得到。子空间的分类方法之一是找到数据点与其在子空间上的投影之间的最近距离。

网络结构：子空间分类器的模型主要利用特征提取器f Θ将输入图像映射到特征空间中得到对应的特征向量f Θ ( x i )，然后通过平均的方式计算每个类别c对应的特征向量均值μ c，将模型提取的特征与每个类别的特征向量均值μ c做差，得到Xc,然后使用奇异值分解（SVD）得到截断矩阵Pc，然后将查询图像qj投影到Pc上，并根据从查询到其投影到Pc(在原始空间中)的最短距离进行分类。为了训练整个框架，需要通过SVD进行反向传播

结论：证明只需要让子空间之间彼此分离，就可达到高分类精度。

训练Deep Subspace Networks的步骤：

将Xc分解[U, Σ, V ⊤]，然后截断U1,...,n，