2021-10-19

介绍

	在某些应用中，充足的注释样本通常是费力的、昂贵的，甚至是不切实际的，例如，冷启动推荐[和药物发现。为了使人工智能系统具有类似人类的能力，少射击学习(FSL)成为一个重要而广泛研究的问题。

现有的FSL研究大致可分为四类：

即基于度量的方法、基于优化的方法、基于图的方法和基于语义的方法。尽管他们的方法完全不同，但几乎所有的方法都通过两阶段的元学习框架来解决FSL问题。、meta- training和meta-test阶段。
最近，Chenet al发现，引入一个额外训练阶段可以显著提高表现。该方法首先通过在整个基类上学习分类器来预先训练特征提取器。然后，采用基于参数的元学习对其进行微调。在元测试阶段，构建基于均值的原型，通过具有余弦距离的最近邻分类器对新类进行分类。

我们不是对特征提取器进行微调，而是关注如何从少数标记样本中估计具有代表性的原型，特别是当这些样本远离其地面真实中心时。

问题定义：

它由一些有标记的样本组成(称为支持集)

未标记的样本组成(称为查询集)，M表示Q中的图像数量。。

还有一个带有丰富标记的辅助数据集，其中B表示图像的个数，从基类Cbase集合中抽样的

四个阶段

包括预训练、学习完成原型、元训练和元测试。
预训练：在这个阶段，我们建立并训练一个卷积神经网络（CNN）分类器。我们用基础类的样本建立并训练一个卷积神经网络（CNN）分类器。然后，去掉最后一个softmax层，分类器变成一个参数为θf()的特征提取器特征提取器。这提供了一个良好的嵌入表示。

学习完成原型

原型完成网络（ProtoComNet）作为一个元学习器。它负责补充不完整原型的缺失，
首先对图2中描述的工作流程做一个概述。

第1步。我们为所有的 "类 "构建原始知识。这些知识是什么类型的属性特征种类，例如，袋鼠有长脸和白肚皮，斑马有长脸和四只脚。我们注意到这样的知识是很容易获得的，比如说。从WordNet中获得。
A表示类部件/属性集合，其中F是属性个数，R表示属性与类之间的关联矩阵。

用Glove计算所有类和属性的语义嵌入，采用平均词嵌入的方式，表示为：

我们将在原语知识中具有相应零件/属性的所有基类样本表示为一个集库。然后计算其均值和对角协方差