Learning to Compare: Relation Network for Few-Shot Learning 论文笔记
主要原理: 和Siamese Neural Networks一样,将分类问题转换成两个输入的相似性问题。 和Siamese Neural Networks不同的是: Relation Network中branch的输出和 relation classifier的输入是feature map 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。 来源: https://www.cnblogs.com/xbit/p/10910857.html