少样本图像分类中表征不足的补充：一种元学习方法

少样本学习（few-shot learning）是一个极具挑战性的问题，近年来受到越来越多关注，原因在于实际应用中获取大量训练样本往往十分困难。元学习（meta-learning）被提出以应对这一难题，其核心思想是在仅有少量标注样本的情况下，快速适应新的任务，使基础学习器（base-learner）具备良好的泛化能力。然而，元学习面临的一个关键挑战是表征不足问题：由于训练样本极少，甚至仅有一个样本，难以从中挖掘出共性信息，尤其是关键特征的表征能力严重受限。这导致元学习器在高维参数空间中难以充分训练，从而影响其对新任务的泛化性能。现有方法大多通过提取表达能力较弱的特征来规避表征不足问题，但这往往牺牲了模型的表征能力。为学习更具表达力的特征表示，本文提出一种基于补全表征网络（Complemented Representations Network, MCRNet）的元学习方法，用于少样本图像分类。具体而言，我们引入一个潜在空间（latent space），通过融合额外的表征信息对潜在编码进行重构，从而有效弥补原始表征的不足。此外，该潜在空间基于变分推断（variational inference）构建，能够与多种基础学习器良好协同，并具备良好的可扩展性，适用于其他模型架构。实验结果表明，所提出的端到端框架在三个标准少样本学习数据集上均取得了当前最优的图像分类性能。