- 博客(5)
- 收藏
- 关注
RSS订阅原创 Revisiting Prototypical Network for Cross Domain Few-Shot Learning LDP-Net 代码流程（3）
LDP-net 由两个分支网络组成。3 特征提取: 对支持集和查询集进行特征提取，首先通过主模型（model）提取224x224尺寸图像的特征，然后对这些特征进行处理，包括计算支持集特征的平均值，以代表每个类别的特征向量。总之，此函数实现了对模型的一系列训练步骤，包括数据预处理、特征提取、损失计算、反向传播及优化更新，同时融入了特定的损失函数来增强模型的泛化能力，尤其是在少样本学习场景下。计算查询集中的基础预测（锚点预测）与正确标签之间的交叉熵损失，评估模型在未经过额外数据增强情况下的分类性能。
2024-07-18 12:51:07
471
原创 Revisiting Prototypical Network for Cross Domain Few-Shot Learning 代码运行结果记录
（LDP-net）本文进行了三组消融实验，分别验证了自图像蒸馏、跨图像蒸馏和跨任务蒸馏这三个组成部分的作用。具体来说：第一组消融实验只保留了自图像蒸馏部分，即只训练模型预测全局图像类别，不考虑局部特征。结果表明，这种模型在一些域上的性能较差，说明局部特征对于提高模型泛化能力是必要的。第二组消融实验只保留了跨图像蒸馏部分，即只训练模型预测局部特征类别，不考虑全局图像类别。结果表明，这种模型在所有域上的性能都比较差，说明全局图像类别信息对于建立稳健的特征表示也是必要的。
2024-07-11 15:49:47
266
原创 Revisiting Prototypical Network for Cross Domain Few-Shot Learning 学习笔记
本文介绍了一种新的基于深度神经网络的跨域少数样本分类方法——（LDP-net）。传统的原型网络在处理少数样本分类任务时表现良好，但在新领域中应用时性能下降严重。作者认为这是由于神经网络的简单性偏差陷阱导致的，即网络倾向于关注一些偏见的快捷特征，而忽略了更具有语义意义的特征。为了解决这个问题，作者提出了LDP-net，通过建立一个两分支网络对查询图像和其随机局部裁剪进行分类，并利用强制这两个分支保持类归属一致性，从而利用跨领域的语义信息提高模型泛化能力。
2024-07-04 16:08:48
777
原创 少样本采用的深度学习方法 学习笔记
几个概念想象一下你是一位擅长快速适应新游戏的玩家。每当你拿到一个新的游戏，即使之前没玩过，你也能根据以往的游戏经验，迅速掌握玩法并表现出色。这就是元学习的核心思想。在深度学习中，元学习是一种让模型学会“学习”的方法。它让模型能够从一系列相关任务中学习到一种学习策略，这样当遇到新的、以前未见过的任务时，模型能利用这个策略快速调整自己，有效应对。比如，在图像识别任务中，如果模型通过元学习掌握了如何区分不同物体的技巧，那么即使遇到全新的类别，它也能更快地进行准确分类。
2024-07-03 16:29:45
199
原创 Pytorch学习笔记
首先安装Anaconda,包含了大量的工具包。不必下载最新版本，防止出现问题。https://repo.anaconda.com/ 安装3.6版本。记住安装路径，跳过安装VScode.打开anaconda promote.出现base即可。
2024-05-01 16:44:36
242
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人