簡單描述一下方法的流程，雖然我覺得論文摘要說得還挺清楚的：
首先利用base類和novel類的樣本初始化所有類的均值。以5-way 1-shot問題為例，meta-train的階段，每一個episode，我們都可以計算這5個類的episode類中心，然后將所有類的全局類中心和5個episode類中心都輸入到注冊模塊，得到這5個類的注冊后的類中心。然后，將query set的樣本和注冊后的5個類中心計算相似度，得到loss更新網絡。經過不斷地訓練來更新所有類的全局類中心。在meta-test階段，輸入support set的樣本，得到5個注冊后的全局類中心，用這個類中心對query set中的樣本進行分類，得到最終的精度。

論文地址
code

問題清單

思考從問題出發。昨天老師說，有一個思路是先接受，再去找漏洞。

$\mathcal{D}$_meta-train和$\mathcal{D}$_meta-test是如何構建的？
參考4.2.1第一段的倒數第二句，few learning在構建時分兩步：
1） 類別拆分：比如miniImageNet默認是訓練/驗證/測試：64/16/20。
??$\mathcal{D}$_meta-train由64+20類組成，64×600+20×n_few個樣本；
??$\mathcal{D}$_meta-test由20類組成，20×600。[見3.3第一段]
?? 此時，初始化每個類的類別表示。
2） 任務采樣：
??meta-training階段：
????1） 采樣類別，從84個類中采樣5個類
????2） 采樣樣本，novel類數據合成，由n_few個樣本得到n_s+n_q個樣本；
????采樣n個任務訓練meta-learner；
??meta-testing階段，從$\mathcal{D}$_meta-test采樣600次任務計算模型性能。

全局類表示的初始化是在數據增強之前還是之后？
之前，見[見3.3第一段]。

全局類表示在訓練時，是如何更新的？
數據構建好之后，用特征均值初始化每個類的全局類表示。

在meat-training階段，模型見過多少novel類的樣本？
每個novel類只見過$n_{f}ew$個樣本。

在meta-test階段，episode的support set如何采樣？
support set用訓練集中的n_test個類別的n_few個樣本。
[見3.3 第2段] We use the labeled images of the n_test novel classes in the training set as the support set (i.e., the few shots).
問題：類別采樣充分，樣本采樣不充分，不能測試出meta-learner的泛化性！

這個方法的局限性：不能處理增量模式。訓練階段模型需要知道novel類的樣本。

Algorithm 1下面第二段Finally開頭，用選定的全局類中心可以識別novel類樣本。但是，這個過程不可微？怎么理解？

---

GCR

• 問題清單
• motivation
• method
• • Registration Module 注冊模塊
  • Sample Synthesis Module 樣本合成模塊
  • Few Shot Learning By Registration通過注冊實現小樣本學習
• experiment
• • FSL精度
  • GFSL
  • 消融實驗

---

motivation

在fsl中，基于元學習的方法存在一個缺陷：這些模型是在源數據($D_{meta?train}$)上學到的。不能夠保證模型能夠很好地泛化到目標數據($D_{meta?train}$)上。因此，論文將novel類的support樣本也引入到訓練過程當中。由于novel類的support set中樣本很少，所以論文提出一種樣本合成方案來彌補新類樣本不足的問題。
論文有兩個重要模塊：

注冊模塊：學習全局類別標識（用base類和novel類的訓練樣本）

合成模塊：novel類樣本合成

以下是論文所要達到的效果：

---

method

Registration Module 注冊模塊

計算樣本特征和類別全局表示的相似性分數：

注冊模塊的loss

Sample Synthesis Module 樣本合成模塊

真實圖片通過裁剪、翻轉和幻想技術，一共得到$k_t$張圖片。采樣$k_r$張($k_r$采樣自[0, $k_t$]分布并向上取整)，從對應的特征表示集合$f_1,..,f_{k_r}$的子空間合成一個新的樣本$r_{c_j}$($c_j$類)。具體做法如下：

從[0,1]均勻分布中采樣$k_r$個數$\{{\nu }_1,\dots ,{\nu }_{k_r}\}$，然后對$k_r$個特征加權平均得到新的樣本$r_{c_j}$。

Few Shot Learning By Registration通過注冊實現小樣本學習

流程如下：

初始化類別表示：取每類的所有樣本視覺特征的平均值作為初始化類別表示；（模型的目的就是基于該初始化學習novel類的全局類別表示）；

each training iteration，一個episode/mini-batch通過以下三個步驟獲得：
1）從所有類別$C_{total}=C_{base}+C_{novel}$中采樣$n_{train}$個類作為$C_{train}$；
2）從training set里為$C_{train}$中的每個類隨機選取$n_s$個樣本組成support set $S=\{(x_i,y_i),i=1,\dots ,n_s\times n_{train}\}$;
3） 從training set里為$C_{train}$中的每個類選取$n_q$個樣本組成query set $Q=\{(x_k,y_k),k=1,\dots ,n_q\times n_{train}\}$
注意： 每個novel類只有$n_{few}$個標注樣本，所以先增廣到$n_s+n_q$個樣本。

each testing iteration, 一個episode和training episode在三個方面不同：
1）從novel類別集合$C_{novel}$中采樣$n_{test}$個類作為$C_{test}$;
2）從training set里為$C_{test}$中的每個類選取$n_{few}$個樣本組成support set $S=\{(x_i,y_i),i=1,\dots ,n_{few}\times n_{test}\}$;
3）從$D_{test}$里選取query set。

訓練階段：
得到每個類的局部類別表示，計算注冊損失：

$V_i=[v_i^1,...,v_i^N{]}^T$表示局部類別表示和全局類別表示的相似度分數，過一個softmax得到，概率分布$P_i=[p_i^1,...,p_i^N{]}^T$，利用加權求和得到support set中所有類別的估計類別表示，即, ${\xi }_i=P_{i}G$，根據得到的“全局類別表示”計算query set上的分類損失：

訓練階段的總loss如下：

測試階段：
測試階段，先將support set中的樣本輸入到特征提取網絡得到所有樣本的特征，然后計算每個類的局部類別表示，將這些局部類別表示和全局類別表示輸入到注冊模塊，得到估計的全局類別表示。用${\xi }_i$進行分類。

---

experiment

FSL精度

GFSL

消融實驗

B ?- 視覺特征均值作為類別表示
S1 - 用真實樣本生成新樣本
S2 - 用S1中的樣本生成一個新的樣本
R ?- 注冊模塊

總結

以上是生活随笔為你收集整理的[ICCV 2019] Few-Shot Learning with Global Class Representations的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。