Deep Few-Shot Learning for Hyperspectral Image Classification-浅读

Deep Few-Shot Learning for Hyperspectral Image Classification

我看的第一篇 few-shot learning 文章，记录一下，看看能不能说明few-shot 是什么东西，难道只是样本少，没有自己独特的学习方法吗？

Introduction

背景介绍的逻辑链条：
The categories of HSI classification methods: supervised classification, unsupervised classification, and semi-supervised classification.

Supervised classification -> The curse of dimensionality ->
Feature extraction -> The problem of lacking labeled samples -> Semi-supervised algorithms

Deep learning -> The lack of labeled samples -> A pixel-pair method -> A semi-supervised CNN -> few shot learning

few shot learning

• Matching network
• Meta-learning approach
• Prototypical networks

The proposed method
a deep few-shot learning - DFSL:

1. S-CNN to learn a metric space + Euclidean Distance = an embedding function（用了1个样本）
2. To extract features of all samples in the testing data set by means of a pretrained D-Res-3-D CNN（用5个样本）
3. SVM -> To classify the testing samples

注意：用额外的高光谱数据集训练出一个网络，20-way 1-shot （下面会有提及这是什么），然后利用5个训练样本配合19个测试样本，在各自的样本上训练，最后用SVM分类。

补充：few-shot learning 的一种学习模式
N-way K -shot 问题: 在训练阶段，会在训练集中随机抽取 N 个类别，每个类别 K 个样本（总共 N*K 个数据），再从这 N 个类中剩余的数据中抽取一批（batch）样本作为模型的预测对象。即要求模型从 N*K 个数据中学会如何区分这 N 个类别，这样的任务被称为 N-way K-shot 问题。
比如：10个类别，抽取5个类别出来，每个类别抽取一个，再从这个5个类中剩余的样本中抽取m个样本作为预测，就构成了5 way 1 shot 问题。这好像只是一种学习方法，训练所有的类别，预测所有的类别，只要能训练的好，也不是不行。一般通过不断学习这些子任务，就能够学到一个好的模型。详细地，请参考上面的链接。

Method

方法部分无需多言，只是这里的loss function 直接利用分布函数得出来，感觉很难理解。应该由概率密度函数得出来吧。

Experiment

试验：对比一下在这里的试验和作者在其它论文中的试验。都是5个训练样本，差别不大，可以接受。

但是有很多疑问。
1：两次训练都训练了多少轮？10000？
2：两次训练都是用了多少类别？采用了一样的模式，只是数据集变了吗？
3：如果每次都要选择样本，那不是需要大量的标签吗？
感觉看完了和没有看一样。