浅谈DN4

DN4是基于度量的小样本算法。
作者认为一般基于度量的小样本算法，是通过网络学习到图片特征，即学习到一组向量来表示整个图像。但是这样会损失图像很多局部特征，包括一些很有区分度的特征。如果把这种方式看作基于图像级别的算法，那作者提出了一种基于图像类的方式。

如上图所示为提出的算法架构。
CNN代表特征提取网络，这个可以用常见的ResNet等搭建。论文中是自己搭建了几层的架构。通过特征提取，提取出每张图片的特征。这里的图片特征并非是用单一向量表示图像的整体特征，而是对每张图像分别提取局部特征信息Local Features。拿图中所示，每个class的特征图中画有三个不同颜色的特征表示向量，这就表示对图像提取了三个局部特征，文中称之为局部描述因子 local descriptors。在代码中体现为采用MaxPooling，对特征图取局部最大池化即代表局部信息。另外，对于query中的图像，先通过特征提取网络提取出特征。然后对于每一类而言，分别于每一类提取出的局部特征向量做度量。这个过程作者使用朴素贝叶斯最近邻算法。对于每个局部特征向量，并不会全部拿来与query图像向量做度量。而是找出与之相邻最近的k个局部特征向量，随后再度量求损失。
文章中公式不多，也很容易明白。实验结果也可以在论文中看到，这里均不再解释。

图片取自论文，如有侵权，联系作者删。