Learning to Compare: Relation Network for Few-Shot Learning 论文理解

先介绍两个概念：

零样本识别：我们有一些有标签数据，想让它识别没有标签的数据，比如 有猫和狗的有标签数  据，想识别猪，这种情况必须提供一些其他数据，比如标签的属性

少量样本识别：直接举例，猫和狗数据有100000张，猪只有10张

文章的大体思想是 模拟人类进行识别，我们人之所以能够识别一个新的东西，在于我们人的视觉系统天生的能够对任意物体提取特征，并进行比较。因为我们能够比较不同物体，所以我们根本无所谓看到的东西是不是以前就见过。这就是我们人具备少样本学习能力的关键原因。

对于机器来说，我们首先进行提取特征，可以先用已有标签的数据进行分类训练得到一个CNN网络用来提取特征。

然后，对于少样本识别，可以用提取的特征 和 想要测试的样本进行比较，对于零样本识别，我们用首先用属性去训练一个神经网络，再把它的输出和特征进行比较，   这里的比较可以是一个显式的方法，比如欧式距离，但是由于我们并不知道什么样的度量方式是最有效的，我们可以用一个神经网络去训练它，用MSE作为相似度的比较，得到测试样本与每一个训练样本（属性）相似度的结果。选择相似度最高的。

 

个人理解，有不对的地方请多指正 

 

附上作者github代码地址，论文在代码地址里有