- 博客(14)
- 收藏
- 关注
RSS订阅原创 小样本分类生成全局混淆矩阵
因此这不像传统的图像分类，生成的混淆矩阵直接就是全部类别的分类，所以我们要想办法将小样本分类中的每个episode聚合起来生成一个含有全部类别的混淆矩阵。如果想将其生成为热力图的形式，可将生成的混淆矩阵进行保存，在jupyter notebook中进行运行。此时即可生成全局混淆矩阵，查看可使用print(global_conf_matrix)。小样本分类因其使用元学习的训练方法，每个episode只选取其中几个类别进行训练和测试。在main函数中调用上述代码存在的函数时需传参。
2024-07-07 12:35:20
339
原创 Revisiting Prototypical Network for Cross Domain Few-Shot Learning
提议的ldp网络框架。LDP-net由两分支网络组成。全局分支提取全局特征，局部分支以原始查询图像的随机裁剪作为输入提取局部特征。然后，在这两个分支之间进行知识蒸馏，以增强局部-全局语义一致性。此外，在知识蒸馏过程中，局部分支被更新为全局分支的指数移动平均线(EMA)，从而可以更好地提取跨章节的知识。局部和原型匹配求预测值时可使用featwalk进行特征融合。比较与基线方法的性能差异以及对每个组件进行消融实验。backbone使用resnet12。比较与其他现有方法的性能差异。分类可使用余弦相似度。
2024-05-30 16:10:37
527
原创 FeatWalk: Enhancing Few-Shot Classification through Local View Leveraging
5way-1shot的实验结果。
2024-05-16 16:27:08
161
原创 FewFaceNet: A Lightweight Few-Shot Learning-based Incremental Face Authentication for Edge Cameras
骨干模型的体系结构：模型的核心特征是其树状并行结构，包括三个分支。每个分支都具有不同的架构，分别受到不同激发的影响。每个分支都负责不同层次的特征提取。第一个分支采用了简单的卷积层和 ReLU 激活单元，第二个分支受到了 ResNet 架构的启发，通过轻量级残差块提取特征，而第三个分支则采用了 DenseNet 架构，通过密集连接实现特征提取。本文介绍了一种名为FewFaceNet的新型人脸认证技术，旨在解决现有方法在资源受限环境下的局限性。这种共享参数的设计有助于模型在有限资源条件下实现更好的性能。
2024-04-26 14:39:11
209
1
原创 Tree Structure-Aware Few-Shot Image Classifciation via Hierarchical Aggregation
Tree Structure-Aware Few-Shot Image Classifciation via Hierarchical Aggregation阅读笔记
2024-04-26 11:42:59
1575
1
原创 few-shot调研
对数变换辅助高斯采样的少样本学习，2023发布在iccv领域：图像分类数据集：1、miniImageNet，它有100个不同的类，每个类600张图像，每个大小为84 × 84 × 32、CUB，共有11，788幅图像，每幅大小为84 × 84 × 3，包含200种不同种类的鸟类。总结：该论文提出了一种新的高斯转换方法，可以将实验数据转换为更接近高斯分布的数据，并将其应用于小样本图像分类中。实验结果表明，该方法在性能上取得了显著提升，同时减少了所需的数据量。
2024-04-19 13:42:17
1184
1
原创 netron 神经网络可视化
netron并不支持pytorch通过torch.save方法导出的模型文件，因此在pytorch保存模型的时候，需要将其导出为onnx格式的模型文件，可以利用torch.onnx模块实现这一目标。整体的流程分为两步，第一步，pytorch导出onnx格式的模型文件。第二步，netron载入模型文件，进行可视化。接下来按照这两步进行实践。
2023-10-25 16:22:57
240
1
原创 动手学深度学习—现代卷积神经网络
原始VGG网络有5个卷积块，其中前两个块各有一个卷积层，后三个块各包含两个卷积层。需要注意的是，第五模块的后面紧跟输出层，该模块同NiN一样使用全局平均汇聚层，将每个通道的高和宽变成1。ResNet 的前两层跟之前介绍的 GoogLeNet 中的一样： 在输出通道数为 64、步幅为 2 的 7×7 卷积层后，接步幅为 2 的 3×3 的最大汇聚层。AlexNet和LeNet的架构非常相似，注意，本书在这里提供的是一个稍微精简版本的AlexNet，去除了当年需要两个小型GPU同时运算的设计特点。
2023-10-19 23:59:24
158
1
原创 动手学深度学习——卷积神经网络
平移不变性（translation invariance）：不管检测对象出现在图像中的哪个位置，神经网络的前面几层应该对相同的图像区域具有相似的反应，即为“平移不变性”。局部性（locality）：神经网络的前面几层应该只探索输入图像中的局部区域，而不过度在意图像中相隔较远区域的关系，这就是“局部性”原则。最终，可以聚合这些局部特征，以在整个图像级别进行预测。图像的平移不变性使我们以相同的方式处理局部图像，而不在乎它的位置。
2023-10-19 21:27:16
153
原创 动手学深度学习——深度学习计算
每个块需要具有的功能：将输入数据作为其前向传播函数的参数。通过前向传播函数来生成输出。请注意，输出的形状可能与输入的形状不同。计算其输出关于输入的梯度，可通过其反向传播函数进行访问。通常这是自动发生的。存储和访问前向传播计算所需的参数。根据需要初始化模型参数。下列代码编写了一个块，包含一个多层感知机，其具有256个隐藏单元的隐藏层和一个10维输出层# 用模型参数声明层。这里，我们声明两个全连接的层# 调用MLP的父类Module的构造函数来执行必要的初始化。
2023-10-13 01:48:15
94
原创 动手学深度学习——线性神经网络
我们必须定义模型，将模型的输入和参数同模型的输出关联起来。线性回归模型：y=wx+b#定义模型"""线性回归模型"""因为需要计算损失函数的梯度，所以我们应该先定义损失函数。#定义损失函数"""均方损失"""使用小批量随机梯度下降#定义优化算法"""小批量随机梯度下降"""with torch.no_grad(): #在该模块下，所有计算得出的tensor的requires_grad都自动设置为False。# param.grad是损失函数关于param的梯度。
2023-10-12 21:57:00
210
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