摘要

现实世界包含数量极为庞大的物体类别，一次性学习所有类别在实际中是不可行的。少样本学习（few-shot learning）作为一种有前景的学习范式，因其仅需少量样本即可快速适应新类别分布的能力而备受关注。近期研究[7, 41]表明，仅通过学习一个高质量的特征嵌入（feature embedding），其性能即可超越更为复杂的元学习（meta-learning）与度量学习（metric learning）算法。本文提出一种简洁有效的方法，用于提升深度神经网络在少样本学习任务中的表征能力。我们采用两阶段学习策略：第一阶段，通过引入自监督辅助损失，训练神经网络以最大化特征嵌入的熵，从而构建出最优的输出流形；第二阶段，通过将自监督孪生网络（self-supervised twins）拉近，最小化特征嵌入的熵，同时利用学生-教师知识蒸馏（student-teacher distillation）对流形结构进行约束。实验结果表明，即使在第一阶段，自监督机制已能超越当前最先进的方法，而第二阶段的知识蒸馏过程进一步带来了显著性能提升。相关代码已开源，地址为：https://github.com/brjathu/SKD。