【杂物间2】few-shot，one-shot，zero-shot以及它们背后卷疯了的CV圈_a few-shot counting method

- 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。