LaSO: Label-Set Operations networks for multi-label few-shot learning-筆記

摘要

樣本合成是少樣本分類中常用的方法，作者借鑑這一方法到多標籤識別。將成對的不同類別的樣例的特徵相結合，得到的圖片的標籤集和合成所用的標籤相對應。通過這種訓練，產生一些不可見樣本。

介紹

我們想讓深度網絡編碼到全部的信息，不管是目標特徵、位置、屬性。這樣就構成了一個樣本的特徵空間，再根據任務，對特徵空間進行運算。
對於特徵操作的理解：
有如下定義：
$M_{uni}$：交
$M_{sub}$：差
$M_{int}$：並
可以參考下圖：
這篇文章的貢獻：【因爲我是來這篇文章中找東西的，所以少樣本那部分的細節我並不在意，需要的可以自己再借鑑一下】

1. 新的少樣本合成方法
2. 特徵空間操縱方法
3. 少樣本多標籤任務的提出者

方法

X、Y是不同類別的兩種圖片，它們的特徵空間被表示爲：$F_{X}$和$F_{Y}$，統合爲$F$。$F$可以被 backbone 骨幹網絡獲得，比如 I3 和 ResNet50。有三種 LaSONet：$M_{uni}$、$M_{int}$和$M_{sub}$三種網絡。
它們操作後的特徵空間表示爲：
$\ M_{int}(F_{X}, F_{Y}) = Z_{int} \in F$
以及簡單的符號化表示：
$L(I) = L(X)\bigcap L(Y)$
$L(I) = L(X)\bigcup L(Y)$
$L(I) = L(X) / L(Y)$

注意，我們會使用一個數據集 $\Gamma$對 LaSONet 進行預訓練，但是預訓練後的模型，我們更希望它學習到 操作,而不是單純的圖片屬性。我們沒有給 input 有關於圖片的標籤。所以它是潛在的學習到了某種操作，完成這件事。
這是 LaSONet 的流程圖：

後面的我就需要再看了，因爲我已經得到了我想要的了。
LaSONet 中對特徵操作的那部分網絡是通過多層感知機完成。

---

很久以來的第一篇博客。

---