SuSana Distancia足矣：通过两种新颖的基于距离的损失函数在小样本图像分类的度量学习中增强类可分离性

小样本学习是一个具有挑战性的研究领域，旨在仅用少量标注数据样本学习新概念。近期基于度量学习的工作利用元学习方法，该方法由情景任务涵盖，情景任务使用支持集（训练）和查询集（测试），目标是学习这些集合之间的相似性比较度量。由于数据匮乏，嵌入网络的学习过程成为小样本任务的重要部分。先前工作使用度量学习方法解决该问题，但底层潜空间的性质以及不同类别在其上的可分离性未得到完全约束。本文提出两种不同的损失函数，它们通过考察少量数据之间的类内与类间距离来考虑嵌入向量的重要性。第一个损失函数是Proto-Triplet Loss，基于原始三元组损失并做适用于小样本场景的修改。第二个损失函数我们称为ICNN损失，基于类间与类内最近邻得分，有助于评估训练网络所得嵌入的质量。我们在广泛的实验设置中获得的结果显示，在miniImagenNet基准上与其他基于度量的少样本学习方法相比准确率提升2%，表明这些损失函数能使网络更好地泛化到先前未见过的类别。在我们的实验中，与最先进水平相比，我们在Caltech CUB、Dogs和Cars等其它领域展示了有竞争力的泛化能力。