【阅读笔记】Task-Adaptive Feature Sub-Space Learning for few-shot classification
最近,Few-Shot Learning (FSL),或者从每个新类中很少(通常是 1 或 5 个)示例中学习(在训练期间看不到),已经受到了很多关注和显着的性能提升。虽然已经为 FSL 提出了许多技术,但有几个因素对 FSL 性能最重要,即使是最简单的技术也能获得 SOTA。它们是:主干架构(越大越好)、预训练类型(元训练 vs 多类)、基类的数量和多样性(越多越好),以及使用辅助自监督任务(一个增加多样性的代理)。在本文中,我们提出了 TAFSSL,这是一种简单的技术,用于在一些额外的未标记数据伴随小样
原创
2022-02-25 20:46:02 ·
750 阅读 ·
0 评论