《表7 在mini Image Net上的性能对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《代表特征网络的小样本学习方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:加粗字体表示最优结果。

5)在性能上与相关主流方法进行对比。如表7所示，匹配网络[28]和原型网络[29]嵌入网络都是使用简单的4层CNN结构，参数量较少（0.1×106），运算复杂度较低，所以效率较高，但效果相对较差。而匹配网络FCE（full context embeddings）[28]使用了LSTM[22]，相关网络[32]使用了较为复杂的嵌入网络，运算复杂度较高，效率上低于本文方法。本文方法效率比匹配网络FCE[28]高约8%，比相关网络[32]高约18%。另外，由于元学习LSTM[22]多使用RNN实现，效率上普遍低于度量学习方法，本文方法效率比其高约52%。综上所述，本文方法不仅效果很好，在性能上也有较大优势。