论文笔记：Rethinking Class Relations: Absolute-relative Supervised and Unsupervised Few-shot Learning

Background
小样本学习基本基于absolute信息，比如onehot编码，但是这种信息很难反映一张图片的全部信息。所以本文通过将absolute信息与relative信息相结合，通过人工给图片标一些属性（比如绿色，红色，耳朵等）增加图片的信息，从而可以将图片的标签“具体化”
数据处理
除了图片本身的标签，论文中表示需要人工给图片定义一些属性，并给出标签
框架

框架主要分为三个部分
一、特征提取
  特征提取器f
二、 absolute learning
  分为两部分，第一部分与普通图片分类无异，将图片特征放入分类器$h_c$,得到onehot标签，与真实的标签求loss(交叉熵)

  第二部分是放入分类器$h_s$,与上面分类器不同的是，这个分类器得到的是属性标签，也就是数据处理过程中人工定义的属性，然后与其求loss(MSE)

三、relative learning
  主要是基于对比的思想计算Loss
  首先将特征提取器$f$得到的两张图片的特征拼接后送入$g$中，得到${\psi }^{}$