Learning to Compare: Relation Network for Few-Shot Learning 论文笔记

 

主要原理：

1. 和Siamese Neural Networks一样，将分类问题转换成两个输入的相似性问题。
2. 和Siamese Neural Networks不同的是：
   1. Relation Network中branch的输出和relation classifier的输入是feature map
   2. 而Siamese中branch的输出和classifier的输入是feature vector

其中：

g-表示关系深度网络

C-表示concatenate

f-表示特征提取网络（branch）

xi，xj- 一个表示有标签样本，另一个表示待分类样本

 

训练中每个episode/mini-batch包含样本数量=N*C

其中：

C = 类型数量

N = sample images + query images

论文中区分了sample images和query images，我认为没有必要，训练时无差别对待它们，能获得更多的样本组合。

结构示意图如下，其中sample的feature是K个样本feature的均值。