小样本学习的k-way n-shot

元学习论文总结||小样本学习论文总结

2017-2019年计算机视觉顶会文章收录 AAAI2017-2019 CVPR2017-2019 ECCV2018 ICCV2017-2019 ICLR2017-2019 NIPS2017-2019

如下图简单理解一下小样本的训练方式：

Training（训练模型） Sample Set Query Set
Testing（测试模型） Support Set Test Set (无label)

训练和测试过程是相似的，拿 Omniglot 数据集为例。

此数据集可以认为是小样本学习的一个基准数据集。
它一共包含1623 类手写体，每一类中包含20 个样本。其中这 1623 个手写体类来自 50 个不同地区（或文明）的 alphabets，如：Latin 文明包含 26 个alphabets，Greek 包含 24 个alphabets。
一般用于训练的是 964 类（30个地区的字母），用于测试的是 659 类 （20个地区的字母）。

训练的目的就是，用 964 个类来训练模型，识别 659 个新的类。

如下图的 24个 希腊字母，代表 Greek 文明下的 24 个类，每个字母只有 20 个样本。

Training：

每次 iteration 从 964 个类中随机的选择 20 个类，从每个类中的 20 个样本采样 5 个作为 support set，5 个 作为 query set。（选择的这个数目可以自行改变）。
以孪生网络为例，就是 query set 中的图片不断的于 support set 的图片成对组合，训练模型，确定模型参数。

Testing：

测试过程，对 659 个类中随机选择 m 个类，每个类提供 k 个样本作为 Support Set 来泛化模型。称为 m-way k-shot。
以孪生网络为例，在 m 个类中，若 Support Set 每类都为单样本（即 m 个样本），送进来的 Query Set ( 同样的是 m 个类 )不断的与 Support Set 成对相似度量，若相似，则归于该类。

转载：https://blog.csdn.net/weixin_40123108/article/details/89003325

 

近200篇小样本学习领域/元学习领域论文集

至 [email protected]申请