学习记录 --- few-shot

最新推荐文章于 2024-07-16 20:35:52 发布
最新推荐文章于 2024-07-16 20:35:52 发布
阅读量269 收藏
点赞数
分类专栏： 深度学习 文章标签： few-shot
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/tpz789/article/details/129356747
版权
『NLP学习笔记』Few-shot Learning技术介绍
AI新视界
10-21 1921
Few-shot Learning技术介绍！
机器学习笔记 - 了解机器学习中的小样本(Few-Shot)学习
学以致用 知行合一
06-26 1108
小样本学习 （FSL） 是一种机器学习框架，它使预训练模型能够对新类别的数据（预训练模型在训练期间未见过的数据）进行泛化，每个类仅使用几个标记样本。它属于元学习的范式（元学习意味着学习学习）。机器学习笔记 - 什么是元学习？元学习，也称为“学习的学习”，是计算机科学中机器学习的一个子集。它用于通过根据实验结果改变学习算法的某些方面来提高学习算法的结果和性能。元学习帮助研究人员了解哪些算法从数据集中生成最好/更好的预测。元学习算法使用学习算法的元数据作为输入。
few-shot 微调网络
gaotihong的博客
05-26 1059
​​​​​​https://www.youtube.com/watch?v=3zSYMuDm6RU&list=PLvOO0btloRnuGl5OJM37a8c6auebn-​​​​​​rH2&index=3 预训练 + 微调 在大规模数据集上预训练，在support set上微调。方法简单，准确率高。 预备知识 1.1 cosine similarity 投影的长度，在-1 和1 之间。 如果长度不同，则就进行归一化。 softmax function 可以将一个向
[小样本图像分割]Part-aware Prototype Network for Few-shot Semantic Segmentation
qq_38932073的博客
04-08 1966
面向Few-Shot语义分割的部分感知原型网络（ECCV2020） 论文地址 开源代码 摘要 现有的方法大多集中在one-way Few-Shot分割的限制性设置上，或者存在目标区域不完全覆盖的问题。本文提出了一种基于原型表示的Few-Shot语义分割框架。我们的关键思想是将整体的类表示分解为一组部分感知原型，能够捕获多样化和细粒度的对象特征。此外，我们提出利用未标记的数据来丰富我们的部分感知原型，从而更好地建模语义对象的类内变量。我们开发了一个新的图神经网络模型，以生成和增强提出的基于标记和未标记图像的部
ViT【Vision Transformer】论文逐段精读【论文精读】
记录学习的小白
04-26 1202
视频地址：ViT论文逐段精读【论文精读】_哔哩哔哩_bilibili ViT：过去一年，CV 最有影响力的工作 推翻了 2012 Alexnet 提出的 CNN 在 CV 的统治地位 有足够多的预训练数据，NLP 的 Transformer 搬运到 CV，效果很好 打破 CV 和 NLP 的壁垒，给 CV、多模态 挖坑 ViT效果有多好？ CV 任务刷榜 paperwithcode网站 霸榜 ImageNet （基于 ViT）和 COCO ,目标检测（Swin Transformer...
Zero-Shot、One-shot、Few-Shot 的简介
TFATS的博客
09-20 4464
所以模型需要知道的信息是马的样本、老虎的样本、熊猫的样本和样本的标签，以及关于前三种动物和斑马的描述。”然后，爸爸给小明安排了一个任务，让他在动物园里找一种他从没见过的动物，叫斑马，并告诉了小明有关于斑马的信息：“斑马有着马的轮廓，身上有像老虎一样的条纹，而且它像熊猫一样是黑白色的。如今十分火热的纯监督模型往往需要足够多的样本才能训练出足够好的模型，并且用熊猫训练出来的分类器，只能对熊猫进行分类，其他物种都无法识别，也无法进行特征的综合推理，这样的模型功能还有待完善。
Part-aware Prototype Network for Few-shot Semantic Segmentation阅读笔记
qq_42987423的博客
03-16 1252
第2节 贡献： 1.针对小样本语义分割提出了一种基于prototype的方法，在 one-way和multi-way当中都取得了很好的效果 2.提出了一个针对语义类的part-aware prototype表达，能够对编码微调的目标特征得到更好的分割 3.为了更好的得到类内的变量，使用一个图注意力网络对没有标签的数据进行半监督学习 本文的工作受到了度量学习方法的启发，其中包括由Oriol提出的将输入编码为一个embedded特征，并且实现加权最近邻来匹配类别。prototypical网络目的是学习一个度量空
easy-few-shot-learning:易于使用的代码和教程笔记本，助您轻松实现几幅图像分类
05-18
您是初学者学习的新手，想学习； 或者您正在寻找可用于项目的可靠，清晰且易于使用的代码。 不要在拥有数百种方法的大型存储库中迷路，也不必对如何使用它们进行任何解释。 在这里，我们希望每行代码都包含在一个...
大语言模型的Few-Shot学习原理与代码实例讲解
AI天才研究院
05-26 965
Few-shot学习(少样本学习)是指机器学习模型在只给定非常少量的训练样本的情况下,就能够快速学习新任务、完成新任务的一种学习能力。它旨在解决现实世界中存在大量的小样本任务,而传统的机器学习方法需要大量的标注数据才能取得良好效果的问题。近年来,随着预训练语言模型(如BERT、GPT等)的出现和发展,基于大规模预训练语言模型的Few-shot学习方法逐渐兴起,在自然语言处理的各个任务中取得了令人瞩目的成果。
开源模型应用落地-qwen模型小试-Zero/One/Few Shot-进阶篇（九）
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
03-20 2076
理解何为Zero-Shot/One-Shot/Few-Shot，以及如何正确使用
2020ECCV：Part-aware Prototype Network for Few-shot Semantic Segmentation
weixin_43864494的博客
07-16 932
2020ECCV：Part-aware Prototype Network for Few-shot Semantic Segmentation
【论文阅读】APANet: Adaptive Prototypes Alignment Network for Few-Shot Semantic Segmentation
qq_43124103的博客
12-20 1579
如今，深度学习技术在计算机视觉领域取得很大的发展。随着Imagenet、coco、pascal voc等大型数据集的提出，深度学习几乎和大量的有标注的人工数据集绑定在一起。海量的数据集使得网络具有可以不断加深的前提，网络模型的能力也不断提升，深度学习在图像分类，目标检测和图像分割领域都获得了突破。但同时大型数据集也制约了深度学习的发展。小样本分割开始得到发展
ViT论文逐段精读【论文精读】-跟李沐学AI
qq_42014059的博客
04-05 4701
视频链接：ViT论文逐段精读【论文精读】_哔哩哔哩_bilibili ViT：过去一年，CV 最有影响力的工作 推翻了 2012 Alexnet 提出的 CNN 在 CV 的统治地位 有足够多的预训练数据，NLP 的 Transformer 搬运到 CV，效果很好 打破 CV 和 NLP 的壁垒，给 CV、多模态 挖坑 ViT效果有多好？ CV 任务刷榜 paperwithcode网站 霸榜 ImageNet （基于 ViT）和 COCO ,目标检测（Swin Transform...
ImageNet准确率超过90%！谷歌大脑开源V-MoE，用稀疏条件计算来训练目前最大的视觉模型！（NeurIPS 2021）...
我爱计算机视觉
01-26 3031
关注公众号，发现CV技术之美▊写在前面稀疏的专家混合网络 (Sparsely-gated Mixture of Experts networks (MoEs)) 在自然语言处理中显示出出...
【元学习之小样本学习】 当小样本遇上机器学习（Few-Shot Learning）
捡起一束光的博客
12-24 1415
Few-Shot Learning的目标不是让机器识别训练集里的图片并且泛化到测试集，而是让机器学会学习。 Few-Shot Learning学习的目的是让模型学会区分事物的异同，给两张图片不是让模型识别出这两张图片具体是什么，而是让模型知道这两张图片是相同的东西还是不同的东西。.........
初探小样本学习（Few-shot Learning）
qq_40662074的博客
08-21 1365
目录动机问题设定1.分类1.1DATA1.2MODEL1.3ALGORITHM2.元学习 Meta Learning2.1MAML2.2MW-Net3.度量学习 Metric Learning3.1 DNnet 动机 人类非常擅长通过极少量的样本识别一个新物体，不需要大量物体的积累。而且人类学习知识的泛化性很高，有“举一反三”“见微知著”的本领。而这些深度模型却是不具备的。研究小样本学习的研究人员希望模型只需要少量的样本就能快速学习，这类研究大致可以分为是基于度量学习（Metric Learning）的方法
论文阅读笔记《Conditional networks for few-shot semantic segmentation》
深视
06-15 1883
核心思想   本文提出一种可以利用稀疏标签实现小样本语义分割任务的算法（co-FCN）。整个网络的结构与上篇文章《One-Shot Learning for Semantic Segmentation》提出的双分支网络非常相似，同样时包含条件分支和分割分支，条件分支用于处理支持集图像，分割分支用于处理查询集图像，最后再将二者融合起来。网络结构如下图所示   支持集图片是由原图和标签组成的，标签可以分为稠密标签和稀疏标签两种形式，稠密标签就是目标物体的二元掩码图像（目标物体所在位置像素值为1，其他位置像素值
ECCV 2020 论文大盘点-语义分割篇
3D视觉工坊
10-05 2804
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达本文来源：我爱计算机视觉最近我们在总结ECCV 2020 的论文，分割类论文总计 93 篇，语义分割几乎占据半壁江山。本文包含 43...
【语义分割】PANet Few-Shot Image Semantic Segmentation with Prototype Alignment 论文理解
给时光以生命
03-01 3810
PANet
few-shot regression
最新发布
02-06
### 少样本回归概念 少样本回归（Few-Shot Regression, FSR）旨在利用少量标记样本来预测连续变量。传统机器学习方法通常需要大量标注数据来构建稳健模型，但在许多现实场景中获取大规模高质量标签成本高昂甚至不可行。FSR通过引入先验知识或迁移已有领域经验至目标任务，从而有效缓解这一挑战。 在具体实现上，非高斯高斯过程提供了一种灵活框架用于处理小样本情况下的回归任务[^2]。这类模型不仅能够捕捉输入特征间的复杂关系，还具备评估预测不确定性能力，这对决策支持系统尤为重要。 ### 应用场景举例 #### 生物医学工程 临床试验往往面临样本稀缺难题，尤其是在罕见病研究方面。借助于少样本回归技术，研究人员可以从有限患者记录中挖掘有价值信息，辅助疾病诊断与治疗方案制定。 ```python import numpy as np from sklearn.gaussian_process import GaussianProcessRegressor from sklearn.gaussian_process.kernels import RBF, WhiteKernel # 假设X_train为已知少数病例特征,Y_train为目标响应(如药物剂量反应) kernel = RBF(length_scale=1.0, length_scale_bounds=(1e-2, 1e3)) \ + WhiteKernel(noise_level=1, noise_level_bounds=(1e-10, 1e+1)) gp = GaussianProcessRegressor(kernel=kernel, n_restarts_optimizer=15) gp.fit(X_train, Y_train) # 使用少量训练集拟合模型 ``` #### 物联网设备监控 工业环境中传感器部署广泛却难以频繁校准维护。采用少样本回归算法可基于历史短周期运行状态快速调整参数设定，保障生产流程稳定性和产品质量一致性。 #### 自动驾驶汽车感知模块 面对突发状况或未曾遇见过的道路条件时，车辆需即时做出合理判断。此时运用预先积累的小规模特殊案例库配合少样本回归策略有助于提升应对未知情境的安全性与可靠性。
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