摘要：人类能从少量样本中学习新的概念且不会忘记以前的类别，为实现这一目标，作者提出：1、扩展一个具有注意力的目标识别系统，这种注意力来源于少样本分类权重生成器；2、重新设计卷积网络模型的分类器，作为特征表示和分类器权重向量之间的余弦相似函数。除了统一对新类和旧类的识别外，还能对新类进行更好概括的特征表示。实验结果显示该方法不牺牲旧类的准确率。同时这里用到了最新few-shot样本集，Bharath and Girshick。
1、介绍
卷积网络的三大问题：1、手动收集样本多；2、计算量大；3、类别固定。现有Few-shot算法问题：1、新类别的学习需要快速；2、不能牺牲初始类别的精度。
基于注意力的少样本分类权重生成器。典型的卷积网络提取一个高水平特征表示，然后对特征应用一组类别权重向量（每类一个）。为了识别新类，必须构造新的分类权重向量，称为少样本分类权重生成器。它通过在基本类别的分类权重向量上引入注意力机制，利用已经获得的视觉知识，提高新类别的识别性能，即便只有一个训练样本可供学习。
基于余弦相似度的卷积网络识别模型。基于点积的分类器无法灵活处理旧类和新类的分类权重向量。这里引入特征表示和分类权重向量之间的余弦相似度函数，在新类上有更好的泛化性能。
2、相关工作
元学习，一些代表性工作，这里将少样本分类权重生成器作为元学习的一个组件。
度量学习metric learning，度量学习方法学习保持类近邻的结构的特征表示，即同类目标的特征比异类特征更接近。
Dynamic Few-Shot Visual Learning without Forgetting
原文：https://www.cnblogs.com/xxdk/p/12009681.html