重新思考类关系：绝对-相对监督和无监督少样本学习

现有的大多数少样本学习方法使用二元标签来描述图像关系。然而，这种二元关系由于缺乏决策平滑性，不足以教导网络复杂的现实世界关系。此外，当前的少样本学习模型仅通过关系标签捕捉相似性，但并未接触到与对象相关的类别概念，这可能会因未能充分利用可用的类别标签而损害分类性能。换句话说，孩子们不仅从少数实际例子中学习老虎的概念，还通过将老虎与其他动物进行比较来学习这一概念。因此，我们假设事实上相似性和类别概念的学习必须同时发生。基于这些观察，我们研究了当前少样本学习方法中存在的简单类别建模问题的根本原因。我们重新思考了类别概念之间的关系，并提出了一种新的绝对-相对学习范式（Absolute-relative Learning），以充分利用标签信息，在监督和非监督场景下改进图像表示并纠正关系理解。我们的提出的范式在公开数据集上提高了多个最先进模型的性能。