coarse-to-fine(4) meta-learning

momoka9

已于 2022-04-20 11:15:59 修改

阅读量171

点赞数

分类专栏：论文笔记文章标签： python

于 2022-04-20 11:15:39 首次发布

本文链接：https://blog.csdn.net/momoka9/article/details/124291979

版权

论文笔记专栏收录该内容

8 篇文章 0 订阅

订阅专栏

Many-Class Few-Shot Learning on Multi-Granularity Class Hierarchy

Published in: IEEE Transactions on Knowledge and Data Engineering ( Volume: 34, Issue: 5, May 1 2022)

many-class few-shot? 类别很多，但是每个类别的样本数量很少（less then 100）

1、在类别多且各个类别样本多的情况下，DNN具有非凡的力量，但当每个类只有少数样本可供训练时，其性能就会急剧下降。在实际应用中，从边缘设备获取稀有物种或个人数据的样本通常是困难的，昂贵的，并且由于隐私保护可能会被禁止。在多类情况下，即使每类增加一个额外注释的样本也是非常昂贵的，需要大量的人力。此外，训练集不可能在实践中完全平衡所有的类。在这些少有的学习场景中，深度模型的能力不能得到充分的利用，并且变得更难将模型推广到未见过的数据上。

2、解决方法：meta-learning？（应该是增强学习的一篇文章，看不懂）