摘要
少样本学习致力于在仅有少量样本的情况下训练模型。现有大多数方法基于像素级或全局级特征表示来学习模型。然而，仅使用全局特征可能导致局部信息的丢失，而依赖像素级特征又可能忽略图像的上下文语义。此外，这些方法通常仅在单一层次上衡量样本间的关联性，缺乏全面性和有效性。若查询图像能够同时通过三种不同层次的相似性度量实现准确分类，则同一类别内的查询图像将在更小的特征空间中更加紧密地聚集，从而生成更具判别性的特征表示。受此启发，本文提出一种新颖的部件级嵌入自适应图（Part-level Embedding Adaptation with Graph, PEAG）方法，用于生成任务特定的特征表示。同时，我们进一步提出多层级度量学习（Multi-level Metric Learning, MML）方法，该方法不仅计算像素级相似性，还综合考虑部件级特征与全局级特征之间的相似性。在多个主流少样本图像识别数据集上的大量实验表明，所提方法在性能上显著优于当前最先进的技术。相关代码已开源，地址为：\url{https://github.com/chenhaoxing/M2L}。