少样本学习：研究的就是如何从少量样本中去学习。一般用于基础的分类识别任务，常假定有另外样本类别相关且数据量较大的辅助数据集。
Low-shot Learning via Covariance-Preserving Adversarial Augmentation Networks
数据增广思路，数据增广的目标为增广出来的图片能保真，多样。实现思路是对数据生成的过程加以限制。本文的基本假设是相近的类类内分布也会相近，所以可以用与新类相近的基类们类间分布混合得到新类的类间分布。
以上，（a）为原数据分布，即上下为基类，左右为新类，想要以现有的数据分布生成新的新类数据。
（b）为利用c-GAN生成图像，loss计算方式为：
表示所有类别标记为yn的新类样本，
表示所有与新类相关的基类的所有样本，这里的Dn为对应于生成器的判别器，用于区分原本的新类和用基类生成的新类。可以看到上面（b）的结果，这里只确保了生成样本的正确性，没有在意分布。这里
表示该新类和基类的特征空间上距离。
（c）:这里采用了循环的模式，基类生成的新类加入一些噪声在用于生成基类，Gn为用基类生成新类，Gb用新类生成基类。
（d）:
基本和c一样，只是这里的z由标准高斯分布改为现在这样的c个混合分布。
（e）:
这里引入了类间方差，用d记录类间方差的距离，按照特征距离为权重计算loss，最后利用以上几种技巧合体得到(e)图
网友评论