用于单样本识别的深度三元组排序网络

尽管深度学习模型在常规监督学习场景中取得了突破，但其对每个类别充足标注训练数据的依赖，阻碍了这些深度模型在部分新类别标注训练实例极为稀疏——极端情况下每类仅有一个实例——情形下的有效应用。为应对这一自然且重要的挑战，单样本学习旨在利用一组标注良好的基类别构建针对每类仅有一个观测实例的新目标类别的分类器，近来受到研究界日益增多的关注。本文提出一种新颖的端到端深度三元组排序网络以执行单样本学习。所提方法在三元组排序损失下于标注良好的基类别上学习类别通用图像嵌入，使得新类别实例可基于其在所学嵌入空间中与单样本实例的相似性被分类。此外，我们的方法可自然地将新类别可用的单样本实例纳入嵌入学习过程，以改进三元组排序模型。我们在两个流行的单样本学习数据集上开展实验，结果表明所提方法优于最先进的对比方法。