CV_Daily Issue 31
文章把few-shot学习定义为怎样学习一个广义表示和怎样构建一个判别能力强的分类器。
图1中第一行表示，作者将representation分为Global visual, local patterns, Higer-level knowledge；
第二行表示，作者通过添加类别中心的限制，学习一个更好的边界。
文章的模型也是按照图1中的思路，先用CNN提取三种representation，在class-centric loss把三个representation的feature权重分为分类器的权重进行分类器训练。
结果只采用了Few-shot Imagenet和CUB-200两个数据集，相对19年其他文章而言，文章似乎有点旧了。
作者针对anchor-free的目标检测问题，着眼于连个细节：
（1）怎样是的anchor-free detection head更好？
（2）怎样更好的利用feature pyramid的作用？
基于上述两个问题，提出了两个技巧：
- soft-weighted anchor points
- soft-selected pyramid levels
实验结果也非常理想，最快的版本还比其他的快了5倍。