[ICLR 2020] cross-domain few-shot classification via learned feature-wise transformation

跨域小样本分类

摘要

摘要：小样本分类旨在识别每个类别中只有少数标记图像的新类别。现有的基于度量的小样本分类算法通过使用学习度量函数将查询图像的特征嵌入与少数标记图像(支持示例)的特征嵌入进行比较来预测类别。虽然已经证明了这些方法有很好的性能，但是由于域之间的特征分布存在很大的差异，这些方法往往不能推广到不可见的域。在这项工作中，我们解决了基于度量的方法在领域转移下的少样本分类问题。 我们的核心思想是在训练阶段利用仿射变换增强图像的特征，模拟不同领域下的各种特征分布。为了捕获不同领域中特征分布的变化，我们进一步应用了一种学习-学习方法来搜索Feature-Wise转换层的超参数。我们使用5个小样本分类数据集:mini-ImageNet、CUB、Cars、Places和Plantae，在域概化设置下进行了大量的实验和消融研究。实验结果表明，所提出的特征变换层适用于各种基于度量的模型，并对域转移下的小样本分类性能提供了一致的改进。

问题

1. 摘要：模拟不同领域的特征分布：给定多少领域？能模拟多少领域？
   实验中，在mini-ImageNet上训练，在4个数据集上测试。
2. 摘要：feature-wise 转换层是什么？

problem definition

本文在域生成的设置下解决小样本分类问题。
例如：在mini-ImageNet和CUB数据集上训练，在未见的植物图片上评估模型的泛化能力。

motivation

不同域的图片特征分布不同，metric-function M可能会拟合在已见域，很难泛化到未见类。

总结

对比试验丰富！

参考

8篇小样本学习（few-shot learning）2020顶会论文