极简笔记 Meta-Learning for semi-supervised few-shot classification

最新推荐文章于 2024-08-19 10:05:22 发布
最新推荐文章于 2024-08-19 10:05:22 发布
阅读量7.2k 收藏 18
点赞数 4
分类专栏： 极简笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hibercraft/article/details/79585823
版权
本文深入探讨了一种应用于半监督少样本分类的Meta-Learning方法，利用Prototypical Network提取特征并采用软K-Means及其变体进行聚类。通过将无标注数据分配到最近的类中心并不断更新，实现有效的分类效果。实验对比了soft K-Means、带簇的soft K-Means和mask soft K-Means，展示了其在处理未见过类别干扰时的优势。
摘要由CSDN通过智能技术生成

极简笔记 Meta-Learning for semi-supervised few-shot classification

论文地址 https://arxiv.org/pdf/1803.00676.pdf

本篇文章核心是给出了一种用于少样本半监督学习的分类算法。总体思路非常简单，通过一个网络 (Prototypical Network)提取特征，之后对特征进行聚类，聚类中心稳定之后拿去测试，测试时把测试样本按照更新了的聚类中心归过去，就完事了。

训练集中样本又分为两个集合 (S,R) ( S , R ) ，分别表示有类别标注数据和无标注数据。网络映射记作 h(x) h ( x ) , 有标注样本 xi x i , 无标注样本 x˜i x ~ i , 类别中心记作 pc p c , 更新过程中记作 p˜c p ~ c ，更新过程是典型的EM算法，和K-Means非常像，即把没标注的数据先归到最近类，更新聚类中心，再重新把没标注数据归类，迭代直到不变。
聚类过程
如果直接用K-Means聚类那这篇文章就不用发ICLR了。文章用了三种聚类算法：

soft K-Means

聚类中心更新公式

p˜c=∑ih(xi)zi,c+∑jh(x˜j)z˜j,c∑izi,c+∑jz˜j,cmj,c,where z˜j,c=exp(−||h(x˜j−p
最低0.47元/天 解锁文章
Hibercraft
关注
专栏目录
Self-labeled-techniques-for-semi-supervised-learning
05-15
标签中提到的"self-labeled"指的是自标记的过程，"semi-supervised-learning"表示半监督学习的场景，"tri-training"则是三重训练算法，"self-training"则对应自我训练方法。 项目报告可能涵盖了以下内容： 1. **...
如何通过Meta Learning实现域泛化（Domain Generalization）？
Paper weekly
04-06 2586
©作者 |丘明姗单位 |华南理工大学研究方向 |领域泛化域泛化（Domain Generalization）中有很多工作是用 meta learning 做的。Meta learning 在 few shot 中很常用，它的目的也是提升模型的泛化性，所以我们来看看 DG 中采用 meta learning 的工作。Revisit Meta LearningMeta ...
Meta-Learning for Semi-Supervised Few-Shot Classification. （用于半监督少样本分类的元学习）
CaoChengtai的博客
08-01 4240
目录1. 摘要2. 介绍2. 背景2.1 少样本学习：2.2 原型网络3 半监督少样本学习3.1 半监督原型网络：3.1.1 soft k-means 原型网络：3.1.2 soft k-means 和干扰项簇的原型网络：3.1.3 soft k-means 和 masking 的原型网络：4. 其他5. 论文链接 1. 摘要 在少样本分类中，我们关注于学习一个可以用很少的标记数据训练一个分类器的...
少样本语义分割实践指南：基于few-shot-segmentation项目
最新发布
gitblog_00486的博客
08-19 968
少样本语义分割实践指南：基于few-shot-segmentation项目 few-shot-segmentationPyTorch implementation of 'Squeeze and Excite' Guided Few Shot Segmentation of Volumetric Scans项目地址:https://gitcode.com/gh_mirrors/fe/few-sh...
论文阅读：A Baseline for Few-Shot Image Classification
王小波的博客
07-05 1万+
论文地址：https://arxiv.org/abs/1909.02729v2 作者：Guneet S. Dhillon,Pratik Chaudhari,Avinash Ravichandran,Stefano Soatto 发表：In ICLR, 2020. 创新点： 为小样本学习开发一个换能器微调基线（transductive fifine-tuningbaseline） 提出了一个度量来量化少镜头事件的硬度和一种系统地报告不同小样本协议性能的方法 在Imagenet-21...
【论文总结】Meta-Learning for semi-supervised few-shot classification(附翻译)
小张好难瘦的博客
11-24 3253
Meta-Learning for semi-supervised few-shot classification 半监督小样本分类的元学习 Abstract In few-shot classification, we are interested in learning algorithms that train a classifier from only a handful of labeled examples. Recent progress in few-shot classificat.
ICLR18 - Meta-learning for semi-supervised few-shot classification
ywm_up
12-24 441
Ren MY, Triantafillou E, Ravi S, et al. Meta-learning for semi-supervised few-shot classification. ICLR 2018. 本文提出了三种原型网络的变体，表现超过了原来的原型网络。 变体1： Prototypical networks with soft k-means 我们不仅有 support set、query set，而且还有一个 unlabeled set。先用 support set 初始化每个类的
Semi Supervised Learning for Few Shot Image to Image Translation
07-18
To do so, we propose applying semi-supervised learning via a noise-tolerant pseudo-labeling procedure. We also apply a cycle consistency constraint to further exploit the information from unlabeled ...
Nonnegative Sparse and KNN graph for semi-supervised learning
02-06
For the graph-based semi-supervised learning, the performance of a classifier is very sensitive to the structure of the graph. So constructing a good graph to represent data, a proper structure for ...
meta learning 第二章
01-17
meta learning 第二章,算是比较系统的meta learning 教材，基本上介绍了什么是元学习。
元学习论文​​Optimization as a model for few-shot learning的简单理解_详细注释
02-26
元学习论文​​Optimization as a model for few-shot learning的简单理解，带有论文的详细注释和个人理解
【论文笔记 FSL 8】A Baseline for Few-Shot Image Classification（ICLR 2020）
星雷的博客
04-22 790
【论文笔记 FSL 8】A Baseline for Few-Shot Image Classification（ICLR 2020） 下载地址 
[深度学习从入门到女装]Few-shot 3D Multi-modal Medical Image Segmentation using Generative Adversarial Learning
炼丹师
03-20 2144
论文地址：Few-shot 3D Multi-modal Medical Image Segmentation using Generative Adversarial Learning 这是一篇使用GANs进行semi-supervised 3D多模态医学图像分割的论文 对于semi-supervised任务，本文对GANs的loss进行改进： 由于对...
Few-shot learning（少样本学习）和 Meta-learning（元学习）
fkyyly的专栏
09-10 1896
目录 （一）Few-shot learning（少样本学习） 1. 问题定义 2. 解决方法 2.1 数据增强和正则化 2.2 Meta-learning（元学习） （二）Meta-learning（元学习） 1. 学习微调 (Learning to Fine-Tune) 2. 基于 RNN 的记忆 (RNN Memory Based) 3.度量学习 (Metric Learning) 4.方法简单比较 5.未来方向 5.1 更好的 meta-learn
中对缺失数据的预处理_机器学习的重中之重：从顶尖学术论文中学习数据预处理...
weixin_39959615的博客
12-18 233
全文共2070字，预计学习时长8分钟图源：cecs anu作为工作中最关键的部分，数据预处理同时也是大多数数据科学家耗时最长的项目，他们大约80%的时间花在这上面。这些任务有怎样重要性？有哪些学习方法和技巧？本文就将重点介绍来自著名大学和研究团队在不同培训数据主题上的学术论文。主题包括人类注释者的重要性，如何在相对较短的时间内创建大型数据集，如何安全处理可能包含私人信息的训练数据等等。1. 人类注...
Few-shot learning（少样本学习）和 Meta-learning（元学习）概述
热门推荐
CaoChengtai的博客
06-18 6万+
目录（一）Few-shot learning（少样本学习）1. 问题定义2. 解决方法2.1 数据增强和正则化2.2 Meta-learning（元学习）（二）Meta-learning（元学习）1. 学习微调 (Learning to Fine-Tune)2. 基于 RNN 的记忆 (RNN Memory Based)3.度量学习 (Metric Learning)4.方法简单比较5.未来方向5...
元学习(meta learning)和小样本学习(few-shot learning)
weixin_44422920的博客
04-17 6626
Meta learning few-shot learning是meta learning中的一种。可将few-shot learning看做是meta leaning即可。 Meta learning 与 传统监督学习的区别 传统监督学习： 对于一个给定训练数据集，通过训练使模型可以识别训练数据集，并将其泛化到测试数据集中。要求测试数据集中数据标签类别包含在训练数据集中。 meta learning： 目的是让模型learn to learn，使模型可以区分不同的事物。意思是让模型自己学会学习。通过一张待
guided collaborative training for pixel-wise semi-supervised learning
04-11
Q: "像素级半监督学习的指导协作训练"。 此短语是一个研究领域的名称，涉及到利用部分有标签的数据和未标注的数据来训练计算机视觉算法，以便在像素级别上更精确地识别图像中的对象或场景。指导协作训练是一种方法...
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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