Learning to Compare: Relation Network for Few-Shot Learning 論文筆記

 

主要原理：

1. 和Siamese Neural Networks一樣，將分類問題轉換成兩個輸入的相似性問題。
2. 和Siamese Neural Networks不同的是：
   1. Relation Network中branch的輸出和relation classifier的輸入是feature map
   2. 而Siamese中branch的輸出和classifier的輸入是feature vector

其中：

g-表示關系深度網絡

C-表示concatenate

f-表示特征提取網絡（branch）

xi，xj- 一個表示有標簽樣本，另一個表示待分類樣本

 

訓練中每個episode/mini-batch包含樣本數量=N*C

其中：

C = 類型數量

N = sample images + query images

論文中區分了sample images和query images，我認為沒有必要，訓練時無差別對待它們，能獲得更多的樣本組合。

結構示意圖如下，其中sample的feature是K個樣本feature的均值。