数据不平衡之a few-shot learning

数据不平衡问题之a few-shot learning

对于机器来说，他的学习过程一般建立于大量的数据训练上面，但是对于一种生活中常见的情况，他会如何处理呢？比如说，小明去动物园看到了马、熊猫，但是由于动物园里面没有斑马，小明的爸爸这样告诉小明，斑马外形和马相似，它的皮肤颜色和熊猫配色一样。那么小明的脑海中就有了熊猫的形象。
for a large-scale FSL problem with 1,000 classes in the source domain, a strong base-line emerges, that is, simply training a deep feature embedding model using the aggregated source classes and performing nearest neighbor (NN) search using the learned features on the target classes.
摘自：Large-Scale Few-Shot Learning: Knowledge TransferWith Class Hierarchy（CVPR2019）
也就是说，通过拥有足够样本量的source classes(熊猫、马)去训练模型，学习到样本的深层次表示，将这些已知类型的语义信息综合起来，表示新输入的target classes（斑马）的类别信息。这里的source classes与target classes之间不重合。source classes拥有足够的样本量，而target classes只有少量数据（如果没有，则为zero-shot learning)。这里将大量的源数据信息作为先验知识引入到模