few-shot learning

N-way K-shot

N-way：表示有N个类别
K-shot：每一个类别中，有K个样本
对于一个task，可以表示为
{(s1,y),(s2,y),(s3,y),(s4,y),(s5,y)|(q1,y'),(q2,y'),(q3,y'),(q4,y'),(q5,y')}
s表示的是support，即训练的数据集，q表示的querry，即测试的数据集，这个例子是一个5-shot的任务

方法

Dual TriNet（ECCV 2018）

通过样本生成。
有一些图像，经过卷积神经网络以后到了特征空间，在特征空间上做一些扰动，随机加入一些噪声，生成各种各样的图像，使得它以后的泛化性能更好。
比如做一个杯子的分类，对于一个杯子，它的形状，属性（颜色、材质）不一样，在最终分类之前，学习已有杯子的属性（塑料、形状等），再人为地加入一些属性，比如不同的颜色，就可以生成很多的数据去做分类器训练。
通过生成属性，生成和属性形状、纹理、材质相关的不同类型的数据。

Prototypical Networks（NIPS 2017）

给每一类算一个原型表示，做平均。新来一个样本x，计算x与这3个原型样本之间的距离，离谁最近，就分为哪一类。

优点：
只有一个样本也可以做。
缺点
但是这种方法效果比较受限，因为可利用的信息太少。

MAML 元学习

把每一个分类任务，有树的分类，动物的分类等，把每一种分类当做一个任务去学习，去研究分类任务之间共同的东西，希望学到共同的东西后，当遇到新的问题，可以根据少量几个样本做调整，就能到使得实现对新的类别进行分类的思路。

如图所示，L1，L2，L3是不同的任务，可以学到一个共同的方向。