论文链接：https://slei109.github.io/papers/eccv-cdfss.pdf

代码链接：https://github.com/slei109/PATNet

现阶段绝大部分的小样本学习都使用 meta-learning 的方法，即 learn to learn。将模型经过大量的训练，每次训练都遇到的是不同的任务，这个任务里存在以前的任务中没有见到过的样本。所以模型处理的问题是，每次都要学习一个新的任务，遇见新的 class。 经过大量的训练，这个模型就理所当然的能够很好的处理一个新的任务，这个新的任务就是小样本啦。

meta-learning 共分为 Training 和 Testing 两个阶段。

Training 阶段的思路流程如下：

  1. 将训练集采样成支撑集和查询集。

  2. 基于支撑集生成一个分类模型。

  3. 利用模型对查询集进行预测生成 predict labels。

  4. 通过查询集 labels（即ground truth）和 predict labels 进行 loss 计算，从而对分类模型 C 中的参数 θ 进行优化。

Testing 阶段的思路：

  1. 利用 Training 阶段学来的分类模型 C 在 Novel class 的支撑集上进一步学习。

  2. 学到的模型对 Novel class 的查询集进行预测（输出）。

如下表所示，是元学习和迁移学习方法在 CD-FSS 基准上的 1-way 1-shot 和 5-shot 结果的平均 IoU。所有的方法都是在 PASCAL VOC 上训练，在 CD-FSS 上测试。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除