DL概念之zero-shot learning

最新推荐文章于 2024-06-14 16:58:13 发布
最新推荐文章于 2024-06-14 16:58:13 发布
阅读量279 收藏
点赞数
分类专栏： 深度学习
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/qinghange/article/details/84942112
版权

Zero-shot learning

      zero-shot learning 指在训练模型时，没有这个类别的训练样本。但是我们可以学习到一个映射/模型X->Y。若此映射/模型足够好的话，我们就可以处理没有看到的类了。 比如，我们在训练时没有看见过狮子的图像，但是我们可以用这个映射得到狮子的特征。一个好的狮子特征，可能就和猫，老虎等等比较接近，和汽车，飞机比较远离。

       感性认识：感性认识的话，虽然我们不知道这东西叫狮子，但是我们可以说出他和谁谁谁像。（生物学家第一次看到鸭嘴兽的感觉。）

       

One-shot learning

One-shot learning 指我们在训练样本很少，甚至只有一个的情况下，依旧能做预测。  如何做到呢？可以在一个大数据集上学到general knowledge（具体的说，也可以是X->Y的映射），然后再到小数据上有技巧的update。

其实Zero/One-shot learning都属于transfer learning/domain adaption，要点在于先学到好的X->Y的关系，希望能应用到其他问题上。

reference:

          https://www.zhihu.com/question/50996014#answer-44952765

 

 

一 方
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Zero-Shot Learning零样本学习 入门 基本概念
River_J777的博客
12-19 1656
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
（转）零次学习（Zero-Shot Learning）入门
热门推荐
一路向北
08-22 4万+
零次学习（Zero-Shot Learning）入门 小栗子    转自：https://zhuanlan.zhihu.com/p/34656727?spm=5176.9876270.0.0.399ce44aXsg7cN  谢谢作者 事物的本质反映世界构成的规律 408 人赞了该文章 很久没有更文章了，主要是没有找到zero-shot learning(ZSL)方面我特别想要分享的...
CLIP模型学习笔记——Zero-Shot推理
最新发布
hjhr2018的博客
06-14 550
每一个感兴趣的类别标签都通过prompt engineering生成一个文本描述，和输入图片一样，分别经过对应的编码器后提取到特征，计算余弦相似度后，再经过一个softmax输出最有可能的类别。通过学习一个泛化性能好的模型，从而在各种任务和数据集上不需要训练，直接推理（Zero-Shot）就能获得一个不错的结果。与分类模型不同，CLIP不需要预先定义的类别标签，而是从文本中获取监督信号，通过一个预训练的对比学习模型，提取到多模态的特征，从而得到任意一种类别的结果（泛化性高）。——提示，起到文本引导作用。
Zero-shot learning（零样本学习）
weixin_30341735的博客
07-07 1650
一、介绍 在传统的分类模型中，为了解决多分类问题（例如三个类别：猫、狗和猪），就需要提供大量的猫、狗和猪的图片用以模型训练，然后给定一张新的图片，就能判定属于猫、狗或猪的其中哪一类。但是对于之前训练图片未出现的类别（例如牛），这个模型便无法将牛识别出来，而ZSL就是为了解决这种问题。在ZSL中，某一类别在训练样本中未出现，但是我们知道这个类别的特征，然后通过语料知识库，便可以将这个类别识别出来。 ...
零次学习（Zero-Shot Learning）
HelloWorld的博客
05-24 2005
这可以通过多种方式实现，例如，可以训练一个神经网络，使得同一类别的样本的特征在类别嵌入空间中尽可能接近，而不同类别的样本的特征在类别嵌入空间中尽可能远离。请注意，这只是ZSL的一个非常简化的版本，实际的ZSL模型可能会考虑更复杂的情况，例如类别间的关系，或者使用更复杂的映射函数等。我建议你在阅读这些论文的同时，也查阅一下他们的引用文献，以了解更多相关的工作。零次学习（Zero-Shot Learning，ZSL）的基本原理是通过学习已知类别和语义描述之间的映射，从而理解并识别新的、未曾见过的类别。
Zero shot learning
qq_51143009的博客
12-02 3263
Zero shot learning 主要考察的问题是如何建立语义和视觉特征的关系（视觉特征一般用预训练好的CNN提取特征，不再进行fine-tine） 为了预测从未在训练集上出现的目标种类，仿照人的思维迁移，能根据某些特征描述（他和谁长得像，有点类似于科学家第一次看见鸭嘴兽的感觉），猜测一个从未见过的目标种类。 Zero shot learning:假设斑马是未见过的类别，但根据描述和过去知识的印象即马（和马相似）、老虎（有条纹）、熊猫（颜色）相似进行推理出斑马的具体形态，从而能对新对象进行辨认。 零
DL∕T 686-2018 电力网电能损耗计算导则
03-19
DL∕T 686-2018 电力网电能损耗计算导则
DL∕T 781-2021 电力用高频开关整流模块
03-16
DL∕T 781-2021 电力用高频开关整流模块
DL-T 5117-2021
04-08
DL-T 5117-2021
DL/T645-97抄表工具 调试软件
03-23
《DL/T645-97抄表工具调试软件详解》 在电力行业中，自动抄表系统（Automatic Meter Reading，AMR）是一项重要的技术，它极大地提高了电能计量的效率和准确性。DL/T645-97是中国电力行业制定的一项通信协议标准，...
虚拟电表工具支持DL/T645-1997 DL/T645-2007
10-13
《虚拟电表工具在DL/T645标准下的应用与解析》 在现代电力系统中，电表数据的采集和管理是一项重要的任务。为规范这一过程，我国电力行业制定了DL/T645系列通信协议，它为电能表的数据交换提供了统一的标准。本文将...
Zero-shot Learning学习笔记
爱学习爱运动的专栏
11-01 700
Zero-shot Learning学习笔记
Zero Shot | 一文了解零样本学习
zenRRan的博客
01-11 1万+
每天给你送来NLP技术干货！来源｜知乎 作者｜恒大大地址｜https://zhuanlan.zhihu.com/p/142057964报道｜人工智能前沿讲习网上有一些关于零样本学习的讨论...
Zero-shot Learning / One-shot Learning / Few-shot Learning
清风与归
01-04 661
本文转载自https://blog.csdn.net/JNingWei/article/details/79235019，感谢原博主整理分享 1. Introduction 在 迁移学习 中，由于传统深度学习的 学习能力弱，往往需要 海量数据 和 反复训练 才能修得 泛化神功 。为了 “多快好省” 地通往炼丹之路，炼丹师们开始研究 Zero-shot Learning / One-shot L...
PyTorch深度学习实战（40）——零样本学习(Zero-Shot Learning)
盼小辉丶的博客
04-01 2571
零样本学习 (Zero-Shot Learning) 旨在解决传统监督学习中，当训练数据中不存在某个类别的样本时，如何对该类别进行分类的问题。在传统监督学习中，分类模型需要通过训练数据学习到每个类别的特征和模式，并在测试阶段根据这些学习到的知识对新样本进行分类。然而，在现实世界中，我们无法获得所有可能类别的训练样本，因此零样本学习成为了一种重要的解决方案。在本节中，我们将学习零样本学习的基本概念，并使用 PyTorch 实现零样本学习模型。
Zero-shot Learning 综述2
xiaohuilang6的博客
04-26 619
3. 非线性映射 典型文章：Latent Embeddings for Zero-Shot Classification (LatEm)-2016 CVPR 通过一个隐变量，将SJE模型扩展为非线性 学习线性兼容函数并不特别适合于具有挑战性的细粒度分类问题。对于细粒度分类，需要一个能够自动将具有相似属性的对象分组在一起的模型，然后为每个组学习一个单独的兼容性模型。例如，可以分别学习两种不同的线性函数来区分棕色翅膀的蓝鸟和其他蓝色翅膀的蓝鸟。 主要贡献： 提出学习线性模型的集合，同时允许每个图像类.
zero-shot learning
keyanxiaocaicai的专栏
12-17 662
转载自：https://www.zhihu.com/question/50996014
Zero-shot Learning
王尚权 qq:2515162716
03-26 390
https://zhuanlan.zhihu.com/p/34656727?spm=5176.9876270.0.0.399ce44aXsg7cN https://blog.csdn.net/tianguiyuyu/article/details/81948700
2、改进的 DL-AMR方法45分，分析few-shot/zero-shot/Transferlearning方法的原理，特点和优势。
05-11
Few-shot、Zero-shot和Transfer Learning是三种常见的迁移学习方法，可以用于改进DL-AMR方法。 1. Few-shot Learning：Few-shot Learning是指在数据量较少的情况下，通过学习少量的样本数据来完成任务。其核心思想是利用已有的经验来解决新问题。Few-shot Learning的优势在于避免了数据过拟合的问题，同时也可以减少数据的收集和标注成本。Few-shot Learning的方法包括基于相似度的方法、基于生成模型的方法、基于元学习的方法等。 2. Zero-shot Learning：Zero-shot Learning是指在训练数据中不包含目标类别的情况下，通过学习类别之间的关系来完成分类任务。其核心思想是利用已知类别的属性来推断未知类别的属性。Zero-shot Learning的优势在于可以将已有的知识迁移到未知的领域，从而扩展模型的应用范围。Zero-shot Learning的方法包括基于属性的方法、基于生成模型的方法、基于知识图谱的方法等。 3. Transfer Learning：Transfer Learning是指将已学习到的知识迁移到新的任务中，从而加速新任务的学习过程。其核心思想是利用已有的知识来加速新任务的学习过程。Transfer Learning的优势在于可以减少数据的收集和标注成本，同时也可以提高模型的泛化能力。Transfer Learning的方法包括基于参数的方法、基于表示的方法、基于领域适应的方法等。 综上所述，Few-shot Learning、Zero-shot Learning和Transfer Learning都是迁移学习方法的重要分支，它们都可以用于改进DL-AMR方法。具体应该根据具体情况选择不同的方法。如果数据量较少，可以考虑使用Few-shot Learning；如果目标类别不在训练集中，可以考虑使用Zero-shot Learning；如果已有大量的训练数据，但是新任务和已有任务有所不同，可以考虑使用Transfer Learning。
评论
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