摘要

本文研究了跨域小样本分类问题，旨在仅利用少量标注样本，从先前未见的类别与领域中学习分类器。近年来的方法通常通过引入与任务无关（task-agnostic）和与任务相关（task-specific）的权重来参数化小样本分类器：前者在大规模训练集上预先学习，而后者则通过一个辅助网络，基于少量支持集动态预测。本文聚焦于对后者——即任务相关权重的估计，并提出一种新方法：直接在小规模支持集上从零开始学习任务相关权重，而非采用动态估计的方式。通过系统的分析，我们发现，将任务相关权重以矩阵形式的参数化适配器（parametric adapters）进行建模，并将其残差连接（residual connections）引入骨干网络的多个中间层，能够显著提升当前最先进模型在Meta-Dataset基准上的性能，且仅带来微小的额外计算开销。