RelationNet2：用于少样本学习的深度比较列

少样本深度学习是当前视觉识别领域的一个重要挑战，旨在通过有限的标注样本来应对未见过的新类别的开放性增长。一种有前景的方法是基于度量学习，该方法训练一个深层嵌入模型以支持图像相似性匹配。我们的见解是，有效的通用匹配需要在多个抽象层次上进行非线性特征比较。因此，我们提出了一种新的深度比较网络，该网络由嵌入模块和关系模块组成，可以同时基于不同层次的特征学习多个非线性距离度量。此外，为了减少过拟合并启用更深的嵌入模型，我们通过学习参数化的高斯噪声正则化来将图像表示为分布而非向量。实验结果表明，该网络在miniImageNet和tieredImageNet数据集上均取得了优异的性能。