动机

当前的few-shot learning在学习过程中，并没有关注support set中类与类之间的关系。作者认为在一个support set中，如果能横穿整个support set观察所有特征，这对于最后结果的调整是很有帮助的，两个例子：

对于上图来说，这是一个分类任务。具体步骤还是和metric learning一样，计算query 与support中每一个的距离，最后得到结果。

• （a）表示的是一个1-shot 的情景。对于color和shape两种特征来说，我们认为color更加具有代表性，因为纵观整个support set，所有的训练集颜色都是不一样的，但是shape是有相似的。换句话说，color比shape更具有区分度，所以我们倾向于把这个query分为第三类。
• （b）表示的是一个k-shot的情景，每个类别有k个训练数据，我们纵观整个support set可以发现，每一行的颜色都是一样的，所以颜色可以作为一个非常有辨识度的特征。
  由上面两个例子可以看出，纵观整个support set是非常有必要的。

模型组成

Concentrator: Intra-class Commonality

用于观察类内的特征，作用在support set上，如下图所示：

• 这是一个N个类别，每个类别具有K个样本的support set，首先对每个数据提取特征，对应得到N×K个小方块
• 然后，对属于同一类的小方块，进行取平均操作，来拟合类内信息

Projector: Inter-class Uniqueness

用于提取类间的特征,如下图所示：

此模块主要是为了过滤掉无用信息，并且提取类间有用的信息。所以模块最后得到是一个mask。

• 首先，对Concentrator模块提取到的feature进行拼接
• 然后在拼接后的向量上使用卷积层进行卷积，来拟合不同类别的信息
• 最后在所得到的feature map的last-channel上进行sofemax操作得到最终的向量

为了是使用这一模块得到的向量，需要将support set和query set得到的向量进行conv-reshape操作。

最后将所得到mask加入到原始的任务中，所以整体流程图如下所示：