【CVPR2020-北京大学】自适应间隔损失的提升小样本学习

小样本学习(FSL)近年来引起了越来越多的关注，但仍然具有挑战性，因为学习从少数例子中归纳的固有困难。本文提出了一种自适应间隔原则，以提高基于度量的元学习方法在小样本学习问题中的泛化能力。具体地说，我们首先开发了一个与类相关的加性边缘损失算法，该算法考虑了每对类之间的语义相似性，从而将特征嵌入空间中的样本从相似的类中分离出来。此外，我们在抽样训练任务中加入所有类别之间的语义上下文，并开发了与任务相关的附加间隔损失，以更好地区分不同类别的样本。我们的自适应间隔方法可以很容易地推广到更现实的广义FSL设置。大量的实验表明，在标准FSL和通用FSL设置下，所提出的方法可以提高现有基于度量的元学习方法的性能。