![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
视频学习
Neflibatata
啥也不会
展开
-
YouTube学习_Few-Shot Learning3-简单方法
一个简单而有效的方法大规模数据集上的预训练+小规模Few Shot Learning上的微调其中预训练部分构造大约如此这里构造一个简单的例子:在分类的时候就要把Query中的特征向量与上述u1,u2,u3做对比做预测的时候采用这样的方法Fine-Tuning部分为何要做Fine-Tuning?因为可以提高得分鸭整体过程...原创 2020-08-10 19:12:15 · 196 阅读 · 0 评论 -
YouTube学习_Few- Shot Learning2-孪生网络
数据集划分一个简单的Siamese network可以如下这样就可以对一个Query 来分别对比support set 中的每个图片计算sim的值而对于孪生网络的训练过程首先选择一个图片作为anchor(锚点),然后记录下这个anchor ,再在这个anchor所在类中随机抽取一个样本共同构成正样本,然后在非anchor所在类中的其他类中随机抽取一个样本构成负样本将anchor、正样本和负样本分别输入同一个神经网络,计算特征之间的距离所以在这里希望正样本的d更小而负样本的d更大原创 2020-08-10 19:11:43 · 421 阅读 · 0 评论 -
YouTube学习_Few-Shot Learning1-基本概念
基础理解Support Set: 比较小的训练数据集-具有很少的类和很少的类中数据,其与train set 的区别在于:train set更大,而Support Set则不足以让网络学习到每一类的具体划分,而是学会区分其间的异同Few-shot learning的目标是让机器自己学会学习比如这里面有很多不同的动物,传统的分类就是通过大量的训练网路来让网路认识某张图片是属于哪一类,Meta-Learning则不同,其更注重于判断事物的异同,就好比兔子的图片中,模型经过了上面大量的学习后,并不知道这个是原创 2020-08-10 19:10:33 · 336 阅读 · 0 评论