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${\psi }_{ij}$。

 emsp;在$g$的倒数第二层将得到的向量与absolute learning得到的向量拼接，接着通过最后一层$g^l$得到${\hat{\psi }}_{ij}$,最后送入$r_s$得到$a_{ij}$。
  也就是说，该$a_{ij}^{\ast }$是由两张图片共同得到的，所以计算loss的时候是与${\hat{a}}_{ij}$计算，${\hat{a}}_{ij}$是通过两张图片的属性标签相减（算差值加exp）得到

 &emsp最后一个loss是由${\hat{\psi }}_{ij}$与上面得到的$a_{ij}^{\ast }$拼接后送入$r_c$后与$c_{ij}^{\ast }$计算得到，同样的$c_{ij}^{\ast }$也是由两张图片的onehot标签相交计算得到。
总结
  就是算了4个loss。因为在数据处理的时候人工给图片加上了属性，所以属性标签和本来的onehot标签，基于absolute和relative各有两个loss,共4个。至于每个loss怎么选择，以及如何计算两张图片的标签的相似关系应该就是试出来的。
疑惑
4个loss的和对谁更新？特征提取器？那训练好特征提取器后怎么和小样本的模型结合？输入的数据是成对出现的，那小样本的范式N-WAY,K-SHOT怎么体现？
论文结果是表示ARL可以和很多框架结合，不知道怎么去结合。用meta-train阶段的数据训练出好的特征提取器，然后直接用到meta-test里的数据？