论文 阅读：Adaptive Subspaces for Few-Shot Learning
论文
代码
这是一篇2020cvpr的一篇关于少数样本学习的论文，它主要是跟2017年的Prototypical Networks的模型相关。
introduction
这篇论文主要是使用一种动态的子空间分类器，为每个类别计算出一个特征空间的子空间，然后将查询样本的特征向量投射到子空间中，在子空间中进行距离度量，并预测类别。
Method
子空间分类器的模型主要使输入图像，然后通过嵌入模块提取图像的特征，首先是使用的高阶信息，而不是低阶信息，将模型提取的特征与每个类别的特征向量的平均值做差，然后使用奇异值分解（SVD）得到投影矩阵Pc，然后将查询图像q投影到Pc上，基于从查询到它在Pc上的最短距离进行分类。
1. 计算每个类别c对应的特征向量：
2. 每个类别可以得到：
3. 对Xc进行奇异值分解得到Pc
4.计算查询向量到每个类别之间的距离：
5.通过softmax计算查询样本到哦每个类别之间的概率：
损失函数：
损失函数第一项为分类损失，第二项为正则化项，主要是通过最大化各个子空间之间的距离来实现的，各个子空间之间的距离主要是使用Grassmannian投影矩阵实现的。
Semi-Supervised Learning
首先重新定义了每个类别的均值求解函数，通过下面的公式，
其中
mi 是对于没有标签的the soft-assignment score。为了处理干扰的存在，本文使用均值为零的伪类。