TADAM: Task dependent adaptive metric for improved few-shot learning||论文阅读

 

元学习论文总结||小样本学习论文总结

2017-2019年计算机视觉顶会文章收录 AAAI2017-2019 CVPR2017-2019 ECCV2018 ICCV2017-2019 ICLR2017-2019 NIPS2017-2019

 

文章介绍：https://www.colabug.com/3795964.html

这篇文章的idea是在一般metric based few shot learning的基础上做一些改进，提升一般模型的generalization。

首先文章采用Prototypical Network的思想，构造class representation来进行metric计算，然后文章做出如下三点改进方式：

1） Metric Scaling ：在similarity metric的基础上学习一个scaling factor  ，这样能够更好的使得输出的metric在合适的范围内

2） Task Conditioning ：构造一个TEN network，通过输入样本数据来得到task representation，并利用此作为condition来改变feature extractor的输出。简单的说就是使得每一个task的feature extractor都不一样，具备adaptation的能力。

3） Auxiliary task co-training: 这里作者采用前面分析的几篇文章的做法，也使用所有训练数据来训练feature extractor，并把这个作为一个辅助任务，这样能够提升特征提取能力。

总的来说，这篇文章主要在细节上做了改进，但确实取得了挺不错的效果，非常值得借鉴的思想还是task conditioning，这意味着我们应该构建更meta的神经网络，使得最终得到的分类器的自适应能力足够强，这样更有希望使得效果更好。

---

阅读笔记

https://blog.csdn.net/a101330107/article/details/86645748

http://www.pianshen.com/article/568688989/