Few-Shot 学习
目录
- 综述
- K-way&n-shot:
- 网络训练:
- 测试:
综述
人类非常擅长通过极少量的样本识别一个新物体,比如小孩子只需要书中的一些图片就可以认识什么是“斑马”,什么是“犀牛”。在人类的快速学习能力的启发下,研究人员希望机器学习模型在学习了一定类别的大量数据后,对于新的类别,只需要少量的样本就能快速学习,这就是 Few-shot Learning 要解决的问题。
Few-shot Learning 是 Meta Learning 在监督学习领域的应用。Meta Learning,又称为 learning to learn,在 meta training 阶段将数据集分解为不同的 meta task,去学习类别变化的情况下模型的泛化能力,在 meta testing 阶段,面对全新的类别,不需要变动已有的模型,就可以完成分类。
简而言之:Few-shot Learning并不是使模型学会直接对输入的样本进行分类的能力,而是学会判断事物异同的能力。
例如:
在下面的训练集训练模型,从而使得模型具有了判断事物异同的能力。
用下面的输入样本测试:
模型在训练集并没有见过松鼠,它也不能识别出下面的两个输入样本都是松鼠这一类别,但是模型可以知道这两个样本是同一类别。
现在我们将这种判断事物异同的能力进行推广,从而达到识别样本类别的能力。
几个概念:
支持集(support set):包含着少量标注的样本。
查询集(query set):包含着未标注的样本,和支持集的类别空间一致。
我们的目的是要知道查询集中样本的类别,那么我们需要给模型相应的支持集(含有类别信息),然后将查询集的中的每一个样本与支持集中的每一个样本送进模型,得到它们的相似程度,并根据相似程度来判断查询集的每一个样本所属的类别。
例如下面的query只1个样本:水獭
support set也只有6个样本,将query的样本和support set中的6个样本呢依次比较,从而得出query的样本属于水獭这一类别。
K-way&n-shot:
K-way:表示支持集包含着K个类别
n-shot:每个类别有n个标注样本
网络训练:
网络是孪生网络,两个f是同一个网络(参数共享),用来提取特征。
测试:
1.首先输入support set,提取特征并送入网络层进行均值化(有点平均人脸的意思),得到各类别的μ。
2.将query送进网络
3.M是上面图片得到的结果,就是三个样本的μ堆在一起的矩阵。
p就是将q与三个μ进行相似度比较(在这里就是做余弦相似度计算),最后选择相似度最大的样本类别作为q的类别。
few-shot ——Shusen Wang 学习视频1
few-shot ——Shusen Wang 学习视频2
few-shot ——Shusen Wang 学习视频3
其他的,随后慢慢补充。
Few-Shot 学习相关推荐
- 126篇殿堂级深度学习论文分类整理 从入门到应用 | 干货
如果你有非常大的决心从事深度学习,又不想在这一行打酱油,那么研读大牛论文将是不可避免的一步.而作为新人,你的第一个问题或许是:"论文那么多,从哪一篇读起?" 本文将试图解决这个问题 ...
- 126篇殿堂级深度学习论文分类整理 从入门到应用(上)
如果你有非常大的决心从事深度学习,又不想在这一行打酱油,那么研读大牛论文将是不可避免的一步.而作为新人,你的第一个问题或许是:"论文那么多,从哪一篇读起?" 本文将试图解决这个问题 ...
- 怎样缓解灾难性遗忘?持续学习最新综述三篇
本文转载自公众号"夕小瑶的卖萌屋",专业带逛互联网算法圈的神操作 ----->我是传送门 关注后,回复以下口令: 回复[789] :领取深度学习全栈手册(含NLP.CV海量综 ...
- (zhuan) 126 篇殿堂级深度学习论文分类整理 从入门到应用
126 篇殿堂级深度学习论文分类整理 从入门到应用 | 干货 雷锋网 作者: 三川 2017-03-02 18:40:00 查看源网址 阅读数:66 如果你有非常大的决心从事深度学习,又不想在这一行 ...
- 126篇殿堂级深度学习论文分类整理 从入门到应用
如果你有非常大的决心从事深度学习,又不想在这一行打酱油,那么研读大牛论文将是不可避免的一步.而作为新人,你的第一个问题或许是:"论文那么多,从哪一篇读起?" 本文将试图解决这个问题 ...
- 126 篇殿堂级深度学习论文分类整理 从入门到应用 | 干货
如果你有非常大的决心从事深度学习,又不想在这一行打酱油,那么研读大牛论文将是不可避免的一步.而作为新人,你的第一个问题或许是:" 论文那么多,从哪一篇读起?" 本文将试图解决这个问 ...
- 126篇殿堂级深度学习论文分类整理从入门到应用
2017-12-27 雷课 如果你有非常大的决心从事深度学习,又不想在这一行打酱油,那么研读大牛论文将是不可避免的一步.而作为新人,你的第一个问题或许是:"论文那么多,从哪一篇读起?&quo ...
- 126篇殿堂级深度学习论文分类整理,从入门到应用
来源:雷课 如果你有非常大的决心从事深度学习,又不想在这一行打酱油,那么研读大牛论文将是不可避免的一步.而作为新人,你的第一个问题或许是:"论文那么多,从哪一篇读起?"本文将试图解 ...
- 不可错过的 GAN 资源:教程、视频、代码实现、89 篇论文下载
NIP 2016 对抗训练 Workshop [网页]https://sites.google.com/site/nips2016adversarial/ [博客]http://www.inferen ...
- RepMet: Representative-based metric learning for classification and few-shot object detection
参考 RepMet: Representative-based metric learning for classification on - 云+社区 - 腾讯云 简介 距离度量学习(DML)已 ...
最新文章
- 试试这款针对JAVA应用的开源防火墙!
- Xcode9新特性介绍-中文篇
- 解决Debian安装后中文乱码
- 人文英语学习品牌「友邻优课」携手神策数据 精细化数据分析让每一次互动都有价值
- 使用jMeter构造大量并发HTTP请求进行微服务性能测试
- 图像颜色迁移《color transfer between images》
- 简单的php代理 Simple PHP Proxy
- 玩,玩什么,怎么玩?
- java 查询sql_Java 中如何使用 SQL 查询文本
- 教你在win10系统开启和使用语音识别
- 数据结构上机实践第八周项目2- 建立链串的算法库
- 【转】Java 中正确使用 hashCode 和 equals 方法
- oracle esb 灾备,两地三中心双活系统灾备切换场景和数据补录问题?
- Windows下彻底卸载MySQL数据库
- 基于android的手机订票系统设计,基于Android的火车票预订系统的设计与实现.doc
- APICloud可视化开发新手图文教程
- 全国一半人跑长沙,长沙一半人跑哪?
- 快速微信群内接龙统计避免刷屏
- HTTP协议格式(请求格式、响应格式)
- 秒懂 堆栈寻址 STMFA STMFD LDMFA LDMED( ARM中的汇编指令)