国内外有哪些做小样本学习(Few-Shot Learning)的优秀团队?

链接:https://www.zhihu.com/question/426898850

编辑:深度学习与计算机视觉

声明:仅做学术分享,侵删

作者:知乎用户
https://www.zhihu.com/question/426898850/answer/1790870250

我们可以检索到小样本学习领域的学者们(排名不分先后)。

Richard S. Zemel (http://www.cs.toronto.edu/~zemel/inquiry/home.php) Professor,Department of Computer Science, University of Toronto

Kevin Swersky (http://www.cs.toronto.edu/~kswersky/) research scientist at Google Brain

Hugo Larochelle (https://mila.quebec/personne/hugo-larochelle/) Associate Professor at Google Brain

Nikos Komodakis(https://www.csd.uoc.gr/~hannover/LabsiteDraft/komodakis.html) postdoctoral research associate at the Computer Science Department of University of Crete.

Spyros Gidaris(https://scholar.google.com/citations?user=7atfg7EAAAAJ&hl=en)valeo ai

Zeynep Akata(https://eml-unitue.de/people/zeynep-akata)Professor of Computer Science, University of Tübingen

Trevor Darrell  (https://www2.eecs.berkeley.edu/Faculty/Homepages/darrell.html) on the faculty of the CS Division at UC Berkeley

Bernt Schiele  (https://www.mpi-inf.mpg.de/departments/computer-vision-and-machine-learning/people/bernt-schiele/) Max-Planck-Director at MPI Informatics and Professor at Saarland University

Qianru Sun(孙倩茹)(https://qianrusun.com/)  Assistant Professor Singapore Management University

Wenbin Li(李文斌) (https://cs.nju.edu.cn/liwenbin/)an Assistant Researcher of the Department of Computer Science and Technology at Nanjing University

Jiebo Luo (https://www.cs.rochester.edu/people/faculty/luo_jiebo/index.html) Data Science CoE Distinguished Researcher,Goergen Institute for Data Science

作者:知乎用户
https://www.zhihu.com/question/426898850/answer/1538362734

做few-shot的人很多,但深耕此领域并长期有产出的人不是很多!
简单列举一下自己关注过的一些researcher:

国内

  • 复旦大学--Yanwei Fu

  • 中国人民大学--Zhiwu Lu

  • 南京大学--Wenbin Li

国外

  • Surrey--Tao Xiang

  • CMU--Yuxiong Wang

作者:CHEN
https://www.zhihu.com/question/426898850/answer/1539238592

小样本这块很乱,主要是没有一个公认的标准和定义,颇有各说各家之感。

如果说国内哪些团队做的不错,那我就推荐四川大学计算机学院院长吕建成团队吧,因为我们线下接触过,吕老师曾经用1个样本做了不少事情,吕老师的很多想法也很高屋建瓴。

吕老师这块做出的特色是引入了“特定参数分布生成方法”、“回忆生成机制”等。具体信息可以查看吕老师主页,或者知网搜索吕老师指导的相关博硕士论文。

作者:匿名用户
https://www.zhihu.com/question/426898850/answer/1793928696

北大王立威教授

  • Hanzhe Hu, Shuai Bai, Aoxue Li, Jinshi Cui,Liwei Wang, “Dense Relation Distillation with Context-aware Aggregation for Few-Shot Object Detection”, IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), 2021.

  • Aoxue Li, Weiran Huang, Xu Lan, Jiashi Feng, Zhenguo Li, Liwei Wang, “Boosting Few-Shot Learning With Adaptive Margin Loss”, IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), 2020.

  • Tiange Luo, Aoxue Li, Tao Xiang, Weiran Huang, Liwei Wang, “Few-Shot Learning with Global Class Representations”, International Conference on Computer Vision (ICCV), 2019.

  • Aoxue Li, Tiange Luo, Zhiwu Lu, Tao Xiang, Liwei Wang, “Large-Scale Few-shot Learning: Knowledge Transfer With Class Hierarchy”, IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), 2019.

作者:匿名用户

https://www.zhihu.com/question/426898850/answer/1568770098

这个方向其实体量不大,做是可以做,但是不太可能会有一直专门在这个方向工作的人,这个问题一般只是一个团队研究内容的一个分支。

☆ END ☆

如果看到这里,说明你喜欢这篇文章,请转发、点赞。微信搜索「uncle_pn」,欢迎添加小编微信「 mthler」,每日朋友圈更新一篇高质量博文。

扫描二维码添加小编↓

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
小样本学习是指在具有非常有限的样本数的情况下进行学习和分类任务的一种机器学习方法。在传统的机器学习算法中,通常需要大量的样本来训练模型,以便对新的样本进行准确的分类。然而,在现实生活中,获得大量样本是非常昂贵和困难的,因此需要一种能够有效利用有限样本的学习方法。 小样本学习的主要挑战是如何在缺少大量标记样本的情况下进行模型训练和泛化。为了解决这个问题,研究人员提出了许多不同的方法。其中一种主流的方法是使用元学习(meta-learning),它通过从一系列相关任务中进行学习,来提高在新任务上的性能。这种方法可以将已有的知识迁移到新任务上,而无需大量样本。 另一种常用的方法是基于生成模型的方法,它通过生成新的样本来扩充训练集。这些生成的样本可以从现有样本中学习到数据的分布规律,从而提高模型的泛化能力。 此外,还有一些其他的小样本学习方法,如基于度量学习的方法、基于关系学习的方法等。这些方法都试图通过学习样本之间的相似性或关系来提高模型的学习能力。 总而言之,小样本学习是一种在样本稀缺的情况下进行机器学习和分类任务的方法。通过使用元学习、生成模型、度量学习以及关系学习等方法,小样本学习可以有效地利用有限的样本来提高模型的性能和泛化能力,为实际应用中的样本稀缺问题提供了解决方案。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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