如今，在使用数十亿张图像来解决特定任务方面，计算机可以做到超过人类。尽管如此，在现实世界中，很少能构建或找到包含这么多样本的数据集。

 

我们如何克服这个问题？ 在计算机视觉领域，我们可以使用数据增强 (DA)，或者收集和标记额外的数据。DA 是一个强大的技术，可能是解决方案的重要组成部分。标记额外的样本是一项耗时且昂贵的任务，但它确实提供了更好的结果。

如果数据集真的很小，这两种技术可能都无济于事。 想象一个任务，我们需要建立一个分类，每个类只有一两个样本，而每个样本都非常难以找到。

这将需要创新的方法。小样本学习（Few-Shot Learning, FSL）就是其中之一。

 

在本文中，将对以下内容进行介绍：

  • 什么是小样本学习——定义、目的和 FSL 问题示例
  • 小样本学习变体——N-Shot Learning、Few-shot Learning、One-Shot Learning、Zero-Shot Learning.
  • 小样本学习方法——Meta-Learning、Data-level、Parameter-level
  • 元学习算法——定义、度量学习、基于梯度的元学习
  • Few-Shot图像分类算法——与模型无关的元学习、匹配、原型和关系网络
  • Few-Shot目标检测 – YOLOMAML

感兴趣的可以戳原文。

内容中包含的图片若涉及版权问题，请及时与我们联系删除