摘要
从少量样本中学习的能力是人类智能的标志。少样本学习旨在将这一能力扩展到机器上。受概率深度学习的潜力和力量的启发，我们提出了一种新颖的变分推断网络（命名为TRIDENT），用于少样本分类，该网络可以将图像表示解耦为语义和标签潜在变量，并以交织的方式同时推断它们。为了引入任务感知能力，作为TRIDENT推断机制的一部分，我们利用了一个新颖的内置注意力机制传导特征提取模块（称为AttFEX），在少样本任务中跨查询图像和支持图像提取信息。我们的大量实验结果验证了TRIDENT的有效性，并表明即使使用最简单的骨干网络，它在常用的miniImageNet和tieredImageNet数据集上也达到了新的最先进水平（分别提高了4%和5%），并且在最近具有挑战性的跨域miniImageNet → CUB场景中显著超越了现有的最佳跨域基线模型（最高提升了20%）。代码和实验细节可以在我们的GitHub仓库中找到：https://github.com/anujinho/trident