摘要
少样本学习（Few-shot learning）旨在仅用少量样本识别新类别。基于预训练的方法通过预先训练特征提取器，再利用基于最近中心点的元学习进行微调，有效应对该问题。然而实验结果表明，微调步骤带来的性能提升十分有限。本文工作主要包含以下两点：1）我们揭示了这一现象的原因：在预训练的特征空间中，基础类别已形成紧凑的聚类，而新类别则呈现为方差较大的松散分布，这表明对特征提取器进行微调的意义不大；2）因此，我们不再聚焦于微调特征提取器，而是转而致力于构建更具代表性的原型（prototype）。基于此，本文提出一种新型的基于原型补全的元学习框架。该框架首先引入原始知识（即类别级的部件或属性标注），并提取已知属性的代表性特征作为先验信息；其次，设计了一种部件/属性迁移网络，用于学习推断未见属性的代表性特征，作为补充先验；最后，构建一个原型补全网络，利用上述先验信息完成原型的补全。此外，为避免原型补全过程中引入误差，我们进一步提出一种基于高斯分布的原型融合策略，通过利用未标记样本，融合基于均值的原型与补全后的原型，实现更稳健的原型表示。大量实验表明，所提方法：（i）能够生成更精确的原型；（ii）在归纳式（inductive）与直推式（transductive）少样本学习设置下均取得了更优的性能。