论文阅读笔记《Meta-learning for semi-supervised few-shot classification》_self-supervised continuous meta-learning for few-s-程序员宅基地

小样本学习&元学习经典论文整理||持续更新

核心思想

本文提出一种基于半监督训练的小样本分类算法。所谓半监督就是在训练集中即包括带有标签的图片，也包含不带有标签的图片，作者认为人类在学习物品分类时，也会观察到许多非目标类别的物体，这种学习方式更加接近实际使用需求，并且可以提高算法的泛化能力。本文以原型网络（Prototypical Network）作为baseline，在此基础上提出了三种改进型，以满足无监督训练的需要。与原型网络（Prototypical Network）相似，训练集也划分为支持集与查询集，不同的是在支持集中还包含有不带有标签的图片，这些图片的类别既有支持集中需要训练的类别，也有原本支持集中并不存在的类别（作为干扰项），测试集情况基本类似。
在这里插入图片描述
下面主要介绍本文提出的原型网络的三种改进型，关于原型网络的介绍可以查看之前的文章（点击此处查看），此处不再重复介绍了。

带有软k均值的原型网络
对于无标签的图片分类而言，最直接的方法就是k均值（k-means）算法了，本文选择软k均值（soft k-means）算法，是因为硬k均值算法不可微。首先使用正常的原型网络得到带有标签数据集对应的原型 $p_c$ 作为聚类中心，然后根据无标签样例与聚类中心之间的欧氏距离得到一个局部位置 $\tilde{z}_{j,c}$ ；最后通过将无标签的样例整合到各个原型中，得到更新后的原型 $\tilde{p}_c$ ，计算过程如下：

这个改进可以理解为先利用有标签样例得到原型，再将无标签的样例按照就近原则划分给各个原型，并修正原型的位置。
带有一个干扰项中心和软k均值的原型网络
上个方案存在一个重要的问题，就是在无标签数据集中包含部分干扰项，其类别与有标签数据集中的类别不同，如果简单的将其划分给现有的原型，会导致数据污染。为了避免这一情况，作者为干扰性提供了一个初始值为0的聚类中心，并引入一个长度尺度参数 $r_c$ 用于表示与聚类中心之间距离的变化，具体计算过程如下：

整合的方式与第一种改进型相同，这一方案相当于为所有的干扰项提供一个新的聚类中心，以避免其干扰之前的原型。
带有掩码和软k均值的原型网络
第二个方案只把所有的干扰项分为一类，这显然太过简单了，不符合实际情况。作者提出的第三个改进方案并不是将干扰项都划分到具备高方差多类别的原型里去，而是采用一种掩码的方式，使得与原型距离远的样本被掩盖掉，距离近的则更少被掩盖。首先计算未标记的样例与原型之间的规范化距离 $\tilde{d}_{j,c}$

然后，通过训练的方式得到两个参数，分别是软阈值 $\beta_c$ 和斜率 $\gamma_c$ ，这两个参数是通过一个多层感知机得到的，输入值是关于规范化距离 $\tilde{d}_{j,c}$ 的统计学参数

式中skew表示倾斜度，kurt表示峰值系数。最后利用学习到的参数 $\beta_c$ 和 $\gamma_c$ 实现掩码

式中 $\sigma$ 表示sigmoid函数，因为sigmoid函数当输入越小，输出越接近于0；输入越大，输出越接近于1；输入为0时，输出为0.5。所以当规范化距离 $\tilde{d}_{j,c}$ 超过阈值 $\beta_c$ 时，其掩码值 $m_{j,c}$ 会接近于0（相当于被掩盖了）；当规范化距离小于阈值时，其掩码值则更接近于1（相当于被保留了）。

实现过程

网络结构

与原型网络相同

损失函数

正确分类概率的负对数均值
在这里插入图片描述

创新点

提出一种半监督训练的小样本分类算法，提高算法的泛化能力
在原型网络的基础上提出三种改进型

算法评价

本文是原型网络的改进型，也是看到的第一篇采用半监督学习的元学习算法。整体而言还是具有一些有趣的创新点的，尤其是第三种改进型中应用的掩码方法，是之前没有见过的。但由于训练集中包含无标签样例，因此在训练量总数相同的情况下，其准确率还是低于有监督学习的。而且根据作者的实验结果，也无法确定三种改进型的优劣（在不同测试条件下，表现并不统一），因此对于小样本分类任务的改进作用有限。

如果大家对于深度学习与计算机视觉领域感兴趣，希望获得更多的知识分享与最新的论文解读，欢迎关注我的个人公众号“深视”。在这里插入图片描述

本文链接：https://blog.csdn.net/qq_36104364/article/details/106243619

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

c# 调用c++ lib静态库_c#调用lib-程序员宅基地

文章浏览阅读2w次，点赞7次，收藏51次。四个步骤1.创建C++ Win32项目动态库dll 2.在Win32项目动态库中添加外部依赖项 lib头文件和lib库3.导出C接口4.c#调用c++动态库开始你的表演...①创建一个空白的解决方案，在解决方案中添加 Visual C++ , Win32 项目空白解决方案的创建：添加Visual C++ , Win32 项目这......_c#调用lib

deepin/ubuntu安装苹方字体-程序员宅基地

文章浏览阅读4.6k次。苹方字体是苹果系统上的黑体，挺好看的。注重颜值的网站都会使用，例如知乎：font-family: -apple-system, BlinkMacSystemFont, Helvetica Neue, PingFang SC, Microsoft YaHei, Source Han Sans SC, Noto Sans CJK SC, W..._ubuntu pingfang

html表单常见操作汇总_html表单的处理程序有那些-程序员宅基地

文章浏览阅读159次。表单表单概述表单标签表单域按钮控件demo表单标签表单标签基本语法结构<form action="处理数据程序的url地址“ method=”get|post“ name="表单名称”></form><!--method将表单中的数据传送给服务器处理，get方式直接显示在url地址中，数据可以被缓存，且长度有限制；而post方式数据隐藏传输，_html表单的处理程序有那些

PHP设置谷歌验证器（Google Authenticator）实现操作二步验证_php otp 验证器-程序员宅基地

文章浏览阅读1.2k次。使用说明:开启Google的登陆二步验证（即Google Authenticator服务）后用户登陆时需要输入额外由手机客户端生成的一次性密码。实现Google Authenticator功能需要服务器端和客户端的支持。服务器端负责密钥的生成、验证一次性密码是否正确。客户端记录密钥后生成一次性密码。下载谷歌验证类库文件放到项目合适位置(我这边放在项目Vender下面)https://github.com/PHPGangsta/GoogleAuthenticatorPHP代码示例://引入谷_php otp 验证器

【Python】matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距-程序员宅基地

文章浏览阅读4.3k次，点赞5次，收藏11次。matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距

docker — 容器存储_docker 保存容器-程序员宅基地

文章浏览阅读2.2k次。①Storage driver 处理各镜像层及容器层的处理细节，实现了多层数据的堆叠，为用户提供了多层数据合并后的统一视图②所有 Storage driver 都使用可堆叠图像层和写时复制（CoW）策略③docker info 命令可查看当系统上的 storage driver主要用于测试目的，不建议用于生成环境。_docker 保存容器

随便推点

网络拓扑结构_网络拓扑csdn-程序员宅基地

文章浏览阅读834次，点赞27次，收藏13次。网络拓扑结构是指计算机网络中各组件（如计算机、服务器、打印机、路由器、交换机等设备）及其连接线路在物理布局或逻辑构型上的排列形式。这种布局不仅描述了设备间的实际物理连接方式，也决定了数据在网络中流动的路径和方式。不同的网络拓扑结构影响着网络的性能、可靠性、可扩展性及管理维护的难易程度。_网络拓扑csdn

JS重写Date函数，兼容IOS系统_date.prototype 将所有 ios-程序员宅基地

文章浏览阅读1.8k次，点赞5次，收藏8次。IOS系统Date的坑要创建一个指定时间的new Date对象时，通常的做法是：new Date("2020-09-21 11:11:00")这行代码在 PC 端和安卓端都是正常的，而在 iOS 端则会提示 Invalid Date 无效日期。在IOS年月日中间的横岗许换成斜杠，也就是new Date("2020/09/21 11:11:00")通常为了兼容IOS的这个坑，需要做一些额外的特殊处理，笔者在开发的时候经常会忘了兼容IOS系统。所以就想试着重写Date函数，一劳永逸，避免每次ne_date.prototype 将所有 ios