论文阅读笔记《Adversarial Feature Hallucination Networks for Few-Shot Learning》

核心思想   本文提出一种基于数据增强的小样本学习算法（AFHN），利用生成对抗网络（GAN）实现数据集的扩充。数据增强的方法被认为可以增强类内样本方差的多样化，从而实现更加清晰地分类界限。先前的数据增强方法主要包含两类：一类是通过在基础数据集上学习一种变换映射，并将其直接应用到新的数据集上，得到映射后的合成图像用于数据扩充，这一类方法会破坏合成图像的区分能力（因为合成图像很粗糙，与原始类别并不相

>>阅读原文<<