论文介绍
小样本（few-shot）学习的目的是通过访问一个或几个样本来学习一个模型，这个模型可以很容易地适应新的未见过的类（概念）。尽管取得了成功的进展，但大多数基于实例全局或局部特征的小样本学习方法仍然存在泛化能力薄弱的问题。为了解决这一问题，受倒置金字塔理论的启发，我们提出了一种倒置金字塔网络(IPN)，它暗示了人类由粗糙到精细的认知范式。该网络由全局和局部两个连续阶段组成。在全局阶段，引入类敏感上下文记忆网络(CCMNet)来学习判别支持-查询关系的嵌入，并基于上下文记忆预测查询到类的相似度。然后在局部阶段，进一步添加一个细粒度的校准来补充粗糙关系嵌入，以实现更精确的查询到类的相似度评价。据我们所知，IPN是第一个在小样本学习中同时整合全局和局部特征的方法，近似模仿人类的认知机制。我们在多个基准数据集上进行的广泛实验证明，与许多先进的方法相比，IPN具有优越性。
论文地址
https://www.ijcai.org/proceedings/2020/113
论文下载
https://www.ijcai.org/proceedings/2020/0113.pdf
