Incremental Few-Shot Learning for Pedestrian Attribute Recognition

动机：
大多数现有的方法都是为一组固定的属性设计的。他们无法处理增量式的少样本学习场景，即将一个训练有素的模型应用于新添加的具有稀缺数据的属性，而这些数据通常存在于现实世界中。

Contribution：
1.They raise a practical issue termed as incremental few-shot (multi-label) attribute learning which commonly exists in real-word applications.
2.They put forward a meta learning based method that achieves competitive performances.
3.Their method demonstrates the capability of fast adaptation with low annotation and memory requirements which is desirable in low-resource on-device scenarios.

构造了一个新的问题：

方法模型：

总体方法为上图a，首先从一个训练良好的基础模型Mbase(蓝色部分)开始，从概念上分为两个部分:特征提取器F和分类器w。然后引入APGM模块，该模块不干扰基础模型，这样就不会影响Abase的性能。APGM将包含来自多个属性的编码信息的特征嵌入作为输入，并为每个属性生成独立的APE嵌入。然后利用APEs生成新的属性的分类权重。此外，当Dnovel也被标注上基本属性时，提出了ARM，它以基本属性的分类权值作为输入，以APGM的方式产生新的分类权值。为了方便学习在Dbase上对这些模块进行了情景训练。
情景训练过程如下所示


APGM的结构如上图b所示，具体编码流程如下：

实验：
因为提出了新的问题，所以需要对数据集做few-shot的设置，具体设置方法如下：

选择的模型：
由于关注的是与特定模型无关的学习算法，采用了DeepMAR，以ResNet50为骨干作为基础modelMbase，因为它具有竞争性能和简单性。
结果：

之后做了ARM的效果以及不同Ways and Shots的实验，证实了ARM的有效性和在few-shot场景的优势