DAY-6 8篇小样本学习 (few-shot learning)

DAY-6 8篇小样本学习 (few-shot learning)

原文连接:https://bbs.cvmart.net/articles/1558

  • Graph Few-shot Learning via Knowledge Transfer(通过知识迁移的图小样本学习),AAAI2020

    提出“一种基于辅助图的先验知识的图小样本学习(GFL)算法”

  • AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning(自适应聚合GCN的小样本学习)

    提出“基于GCN的图形卷积网络标签去噪(LDN)方法来去除不相关的图像”

    ​ --> 提出“基于GCN的清洁web图像和原始训练图像的FSL方法”

    ​ – few-shot fewshot learning ==> FSFSL

    提出一种新的自适应聚合GCN(AdarGCN)模型

  • Few-shot Natural Language Generation for Task-Oriented Dialog(面向任务对话的小样本自然语言生成)

    提出第一个NLG(自然语言生成)基准测试FewShotWoz来模拟面向任务的对话系统中的小样本学习设置

    ​ --> 提出SC-GPT模型

  • Meta-Transfer Learning for Zero-Shot Super-Resolution(元迁移学习的零样本超分)CVPR2020

    提出零样本超分辨的元转移学习方法

  • Few-shot Text Classification with Distributional Signatures(小样本文本分类)ICLR2020

    探讨了元学习在小样本文本分类中的应用

  • Evolving Losses for Unsupervised Video Representation Learning(无监督视频表示学习的损失演化)CVPR2020

    提出一种从大规模无标记视频数据中学习视频表示的新方法

    ​ --> 提出一种基于Zipf法则的无监督表示法评价指标

  • Few-shot acoustic event detection via meta-learning(元学习的小概率语音事件检测)ICASSP 2020

    提出了小样本AED问题,并探索了不同的方法来利用传统的监督方法,以及各种元学习方法,这些方法通常用于解决小样本分类问题

  • Cross-Domain Few-Shot Classification via Learned Feature-Wise Transformation(跨域小样本分类)ICLR2020

    解决了基于度量的方法在领域转移下的少样本分类问题

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值