Learning to Compare: Relation Network for Few-Shot Learning
核心思想,使用神经网络来学习样本间的相似关系(relation)
符号:
图像编码模块:EM
关系学习模块:RM
具体流程:
小样本问题被建模为N ways K shots。在关系网络中分为以下几种情况:
对于一组采样N ways :N个类别,每个类别K个样本作为支持集(support set),Kq个查询集(query),一共有NK个样本,NKq个查询样本。
1.首先EM对一个eposide中所有的support集图片编码,再对query编码
support编码获得原型
对query集合编码
每个Query的编码结果与每个原型拼贴
每一组拼贴的结果送入RM计算相似分数与label的One-hot向量求MSE
MSE LOSS
注意事项(原型怎么求)
当K=1时,即每个eposide的每个support集中都有一个样本。此时feature map的原型部分由模型直接对这K个样本编码得到;
当K>1时,即每个eposide的每个support集中都有多个样本时。每个类别的原型每个类别support集合中K个样本的编码累加得到。