Generalizing from a Few Examples: A Survey on Few-Shot Learning
先貼結構圖： 1、每次C類，每類K樣本，剩下的是測試集。 2、encoder層是BiLSTM+attention，得到編碼向量，假設隱含層個數是96個，句子長度是30，暫不考慮batch_size，那麼每個字的隱含層就是1*192向量，
前言 在大規模小樣本學習（large-scale FSL）中，有這樣一個baseline：使用所有的源類（source class）訓練一個feature embedding模型，然後用這個模型提取出目標類（target clas
前言 小樣本學習方法主要可以分爲兩種形式：最近鄰方法和embedding方法。在embedding方法中，通常是先將圖像通過非線性映射到embedding空間中，然後在embedding空間中根據預設的距離度量來進行最終的最近鄰分
前言 元學習（meta-learning）是目前廣泛使用的處理小樣本學習問題的方法，它的目的是在學習不同任務的過程中積累經驗，從而使得模型能夠快速適應新任務。比如在MAML（Model-Agnostic Meta- Learnin
前言 目前大多數小樣本學習器首先使用一個卷積網絡提取圖像特徵，然後將元學習方法與最近鄰分類器結合起來，以進行圖像識別。本文探討了這樣一種可能性，即在不使用元學習方法，而僅使用最近鄰分類器的情況下，能否很好地處理小樣本學習問題。 本
前言 在目前一些零樣本或小樣本學習任務中，通常將圖像映射到embedding空間，然後利用feature embedding進行後續的操作。這樣就存在一個問題，任務間共享的是通用的feature embedding，那麼就會存在f
Few-Shot Papers
最新必讀的8篇「小樣本學習（few-shot learning）」2020頂會論文和代碼
核心思想 本文提出一種基於度量學習小樣本分類算法，在CNAPS算法的基礎上，對分類器部分進行改進，引入一種新的距離度量方式，減少了參數數量並且提高了分類的準確率。下面我們首先介紹CNAPS算法。 如上圖所示，CNAPS算
核心思想 本文提出一種基於圖神經網絡的小樣本學習算法（DPGN）。先前基於圖神經網絡的小樣本算法通常將每個樣本當作一個結點，然後通過結點之間的關係，來推導出未知結點的類別。本文不僅關心樣本與樣本之間的關係，而且關注樣本的分佈之
核心思想 本文提出一種基於度量學習的小樣本分類算法（DSN）。作者引入了子空間的概念，爲每種類別都尋找到一個適合的子空間，然後在子空間中進行距離度量，並預測類別。首先作者介紹了幾種常見的基於度量學習的小樣本分類器，其分類方式如
核心思想 本文提出一種基於遷移學習的半監督小樣本學習算法（TransMatch）。整個算法並不複雜，首先利用帶有標籤的基礎數據集訓練特徵提取網絡，然後用該特徵提取網絡爲新的數據集初始化分類器權重，最後用半監督學習的方式進一步更
核心思想 本文提出一種基於度量學習的小樣本學習算法（DeepEMD）。之前的基於度量學習的小樣本學習算法通常是利用一個特徵提取網絡將支持集圖像和查詢集圖像映射到一個特徵空間，然後再設計或選擇一種距離度量方式，來描述支持集圖像和
核心思想 本文提出一種基於參數優化的小樣本學習算法（MetaNAS）。本文最重要的改進就是將神經架構搜索（neural architecture search，NAS）引入到小樣本學習算法中，簡單地理解就是MAML和Repti
核心思想 本文提出一種基於權重生成的小樣本學習算法（AWGIM），這種類型的方法之前在小樣本目標檢測算法中見到過，就是直接用一個生成器生成分類器的權重參數。本文與其他相關算法（LEO）的區別在於在生成分類器權重時，不僅考慮支持
