近日，实验室关于小样本学习的工作被IEEE TNNLS接收。IEEE TNNLS全称为IEEE Transactions on Neural Networks and Learning Systems，是机器学习领域的权威期刊，2019年的影响因子为8.793。论文信息如下：
Nan Lai, Meina Kan, Chunrui Han, Xingguang Song, and Shiguang Shan, “Learning to Learn Adaptive Classifier-Predictor for Few Shot Learning”, IEEE Transactions on Neural Networks and Learning Systems, 2020. (Accepted)
人类可以很容易地从少量样本中学会识别新概念，然而现有的物体识别技术通常需要标注大量的样本来支持模型参数的学习。为了降低标注代价，从少量的标注样本中学习识别物体类别的小样本学习技术受到越来越多的关注。近来，学习参数预测器来预测模型参数的方法在小样本学习问题上取得了较好的性能。然而，这类方法学习到的预测器是任务共享的，无法刻画每个任务的特性，限制了所预测模型的分类性能。为此，本文提出一种学习任务自适应的分类器预测器的元学习方法(MPM)。如下图1所示，所提方法框架由三部分组成：编码器E用来将图像编码成特征向量；元预测器MPM用来学习任务自适应的分类器预测器；分类器C用来对新样本进行分类，其参数由MPM学习的预测器预测而来。MPM模块是所提方法的核心，如图2所示，该模块学习类别通用的参数预测函数，并将类别通用的预测函数更新成类别特定的参数预测函数。另外，我们还提出了新的损失函数即中心损失以使MPM中预测函数的学习更加准确。所提方法在常用的小样本图像分类数据集miniImageNet和tieredImageNet上都取得了好的性能。
图1 方法框架：本文方法包含编码器、元预测器MPM、分类器三个部分
图2 MPM模块将类别通用的参数预测函数更新为类别特定的参数预测函数
附件：