摘要

样本合成是少样本分类中常用的方法，作者借鉴这一方法到多标签识别。将成对的不同类别的样例的特征相结合，得到的图片的标签集和合成所用的标签相对应。通过这种训练，产生一些不可见样本。

介绍

我们想让深度网络编码到全部的信息，不管是目标特征、位置、属性。这样就构成了一个样本的特征空间，再根据任务，对特征空间进行运算。
对于特征操作的理解：
有如下定义：
$M_{uni}$Muni​：交
$M_{sub}$Msub​：差
$M_{int}$Mint​：并
可以参考下图：
这篇文章的贡献：【因为我是来这篇文章中找东西的，所以少样本那部分的细节我并不在意，需要的可以自己再借鉴一下】

1. 新的少样本合成方法
2. 特征空间操纵方法
3. 少样本多标签任务的提出者

方法

X、Y是不同类别的两种图片，它们的特征空间被表示为：$F_{X}$FX​和$F_{Y}$FY​，统合为$F$F。$F$F可以被 backbone 骨干网络获得，比如 I3 和 ResNet50。有三种 LaSONet：$M_{uni}$Muni​、$M_{int}$Mint​和$M_{sub}$Msub​三种网络。
它们操作后的特征空间表示为：
$\ M_{int}(F_{X}, F_{Y}) = Z_{int} \in F$ Mint​(FX​,FY​)=Zint​∈F
以及简单的符号化表示：
$L(I) = L(X)\bigcap L(Y)$L(I)=L(X)⋂L(Y)
$L(I) = L(X)\bigcup L(Y)$L(I)=L(X)⋃L(Y)
$L(I) = L(X) / L(Y)$L(I)=L(X)/L(Y)

注意，我们会使用一个数据集 $\Gamma$Γ对 LaSONet 进行预训练，但是预训练后的模型，我们更希望它学习到 操作,而不是单纯的图片属性。我们没有给 input 有关于图片的标签。所以它是潜在的学习到了某种操作，完成这件事。
这是 LaSONet 的流程图：

后面的我就需要再看了，因为我已经得到了我想要的了。
LaSONet 中对特征操作的那部分网络是通过多层感知机完成。

很久以来的第一篇博客。