摘要

少样本学习旨在利用少量样本学习新类别，其前提是有足够训练样本的基类（base categories）作为先验知识。该任务的主要挑战在于，新类别容易受到样本中颜色、纹理、物体形状或背景上下文等特定特征（即“特异性”）的主导，而这些特征在给定的少量训练样本中可能显著存在，却并非该类别普遍具备的共性特征（参见图1）。值得庆幸的是，我们发现通过迁移相关基类的信息，有助于学习新概念，从而避免新概念被特异性特征所主导。此外，引入不同类别之间的语义关联，能够有效对这一信息迁移过程进行正则化。在本研究中，我们以结构化知识图谱的形式表示类别间的语义关联，并将该图谱集成到深度神经网络中，提出了一种新型的知识图谱迁移网络（Knowledge Graph Transfer Network, KGTN），以促进少样本学习。具体而言，通过将每个图节点初始化为对应类别的分类器权重，模型学习一种传播机制，能够自适应地在图中传播节点信息，从而探索节点间的交互关系，并将基类的分类器信息有效迁移至新类别。在ImageNet数据集上的大量实验表明，所提方法显著优于当前主流的先进模型。此外，我们构建了一个覆盖更大类别规模的ImageNet-6K数据集（包含6,000个类别），在该数据集上的实验进一步验证了所提模型的有效性。相关代码与模型已开源，详见：https://github.com/MyChocer/KGTN。