赞
踩
- 先引入两个概念:
我们生活中已经见到过的鸭子、鱼等动物就代表“知识的先验”,称为元知识 (meta Knowledge),而对于鸭嘴兽这类没见过的动物则称之为未知的事物(new class)。
- 我们只通过看几张鸭嘴兽的照片,就能认识鸭嘴兽,这个过程就称作小样本学习(Few-Shot Learning)。那么不难想到,单样本学习(One-shot Learning)是few-shot learning的特殊情况——只看了一张鸭嘴兽的照片,就认识了鸭嘴兽。
搬运两张图,可谓生动形象。
但我很好奇,零样本学习(zero-shot Learning)是咋做到的呢?
某篇博文中举了一个很生动的例子:
也就是说,即便是不同类别的物体,它们之间一定也存在着相同的属性;我们将每一类别对应的属性进行提炼,并训练学习器去学习这些属性。在预测测试数据(new class)的属性时,将预测出的属性组合、对应到类别,从而实现对测试数据的类别预测。
这就是Between-Class Attribute Transfer。
以上是我个人理解,希望能帮到你~
【进阶】
因为我只是想简单了解下few-shot、one-shot、zero-shot,所以没有写具体的算法与实现。这里有位大佬对zero-shot learning做了更详细的解释,如果有需要的小伙伴,我来开个大为你传送一波:)
【碎碎念】
在帮coco写东西,需要读一篇论文《Learning To Count Everything》(from CVPR 2021),它提出的一个计数方法是Few-shot Counting,于是想去了解一下啥是 few-shot ,然后看到了某篇博文中的一句话:
我的感想:
——我的感想就是不敢想quq。
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。