Delta-编码器：一种有效的少样本物体识别样本合成方法

基于一两个或少数几个样本学习分类新类别一直是现代计算机视觉中的一个长期挑战。在本研究中，我们提出了一种简单而有效的方法，用于少样本（及单样本）物体识别。我们的方法基于一种改进的自编码器，称为Delta-编码器，该编码器通过观察某一未见过类别的少量样本，学会合成新的样本。这些合成的样本随后被用来训练分类器。所提出的这种方法不仅学会了从同一类别的训练样本对中提取可迁移的类内变形，即“deltas”，而且还能够将这些变形应用于训练过程中未见过的新类别中的少量样本，从而高效地合成该新类别的样本。实验结果表明，该方法在单样本物体识别方面优于现有最先进方法，并且在少样本情况下也表现出色。如果论文被接受，代码将会公开发布。