文献阅读：A New Meta-Baseline for Few-Shot Learning
原文链接：https://arxiv.org/abs/2003.04390
源代码链接：https://github.com/yinboc/few-shot-meta-baseline
背景知识：
- meta-learning(元学习)
本质是一种“learning to learn”的学习过程，不同于常用的深度学习模型(依据数据集去学习如何预测或者分类)，meta-learning是学习“如何更快学习一个模型”的过程 - MAML算法：Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks
模型无关框架，定义一种架构，使用meta-learning去训练base-learner。 - base-learner（基学习器）：从足够样本的公共类（基类）中训练过的的深度学习模型
问题定义：
小样本分类：给定一个基类Cbase的标记数据集，每个类中有大量的图像，目标是学习新类Cnovel中每个类中有几个样本的概念，其中Cbase∩Cnovel=∅。（N-way指训练数据中有N个类别，K-shot指每个类别下有K个被标记数据）在一个N类K样本的小样本任务中，支持集（基类）包含每个类中具有K样本的N个类，查询集（新类）包含相同的N个类，每个类中有Q个样本，其目标是将查询集中的N个×Q未标记的样本正确分类为N个类。
文章成果：
- 定义了一个Classifier-Baseline（基线分类器），在基类上预先训练一个分类器来学习视觉表示，删除最后一个全连接（FC）层，得到特征映射。然后在少量样本的新类上进行训练，计算新类的样本平均特征，利用特征空间中的余弦距离，用最近质心对查询样本（验证集)进行分类,即为余弦最近质心分类法。只是用于估计新类的最后FC权重，不需要重新训练所有模型参数。
- 在1的基础上，用元学习改进Classifier-Baseline，提出Meta-Beaseline。在Meta-Baseline中，使用预先训练的Classifier-Baseline初始化模型，并使用余弦最近轮廓度量执行元学习，这是Clssififier-Baseline中的评估度量 。(一种基于度量的元学习)
- 文章观察到训练过程中测试性能下降，在元学习的背景下对两种泛化类型进行了评估，基类泛化和新类泛化。
- 文章还对数据集因素对元学习的影响进行了研究。
文章具体研究内容：
- Classifier-Baseline
分类器-基线是指在所有基类上训练一个具有分类功能的分类器，并使用余弦最近质心方法执行小样本任务。具体来说，我们在所有具有标准交叉熵损失的基类上训练一个分类器，然后删除它的最后一个FC层，得到编码器fθ，将输入映射到特征空间。给定一个具有支持集S的小样本任务，让Sc表示c类中的小样本，我们计算平均特征Wc作为c类的质心：
然后，对于小样本任务中的查询样本x，我们预测样本x属于c类的概率作为样本x的特征向量与c类质心之间的余弦相似度：
其中<.,.>表示两个向量的余弦相似度。 请注意，Wc也可以看作是新FC层对新概念的预测权重。
- Meta-Baseline
一般来说，Meta-Baseline包含两个训练阶段。
第一阶段是预训练阶段，即训练Classifier-Baseline(即在所有基类上训练分类器，并删除其最后一个FC层以获得fθ)。
第二阶段是元学习阶段，在元学习阶段同样使用基类中的数据分成多个task，在每个task中对support-set用fθ编码，然后用（1）式求每个类的平均特征表示。同时对query-set也进行编码操作，利用（2）式余弦相似度求query-set和support set之间的距离，使用softmax进行分类。
我们在分类器-基线评估算法上对模型进行优化。具体来说，给定预先训练的特征编码器fθ，我们从基类中的训练数据中采样N类K样本任务(具有N×Q查询样本)
为了计算每个任务的损失，在支持集中，我们在方程1中计算定义的N个类的质心，然后用于方程2中计算定义的查询集中每个样本的预测概率分布。损失是由p和查询集中样本的标签计算的交叉熵损失。 请注意，我们将每个任务视为训练中的数据点，每批可能包含多个任务，并计算平均损失。
未完待续
