小样本点云深度学习库_域自适应小样本学习

论文题目：Domain-Adaptive Few-Shot Learning
论文地址： https:// arxiv.org/abs/2003.0862 6

小样本学习（Few Shot Learning, FSL）在深度学习领域具有重要意义，在本文中小样本学习被当作一个迁移学习（源域和目标域之间进行迁移）问题。通常来说目标域的训练样本数量较少，而且与源域的领域不同。域自适应小样本学习（Domain-adaptive few-shot learning (DA-FSL），这意味着在目标类的样本很少的情况下，从源类训练的模型要适应新域和新的类别。

传统的域自适应问题是使用对抗学习策略让源域和目标域对齐（这里的对齐指的是全局数据层面的对齐），其全局分布会间接实现源域和目标域中类别层面的对齐。但是本文的域自适应问题来说，这是一个不必要的方面，因为目标类与源类不同。

因此，除了使用传统的域自适应方法，本文在嵌入特征之前引入新的损，以增强源/目标类的区分能力:
①通过对源域和目标域进行对齐，降低域之间的差异；
②每个类的分布没有对齐，但是源类和目标类仍然可以很好地分离。