Few-Shot 第10页

few-shot learning

首要要明白trainingset、supportset和query的概念。元学习与一般的监督学习的区别：一般的监督学习是在训练集上训练出一个函数映射f，这个函数可以识别出哪张图片是狗，哪张是猫。输入是某张图片，输出是标签。元学习算法则是让模型学会学习，即在训练集上学习出一个函数F，可以自动学习出一个函数，他可以分辨出哪张图片是狗，哪张是猫。F的输入是一个个的图片集合，输出是函数，的输入是某张图片，

平平无奇小师妹·2022-09-17 13:53

Augmenting Few-Shot Learning With Supervised Contrastive Learning

https://github.com/taemin-lee/SPTAABSTRACT小样本学习处理少量数据，这会导致传统交叉熵损失的性能不足。我们为小样本学习场景提出了一种预训练方法。也就是说，考虑到特征提取器的质量是少样本学习的关键因素，我们使用对比学习技术来增强特征提取器。据报道，将监督对比学习应用于转导小样本训练管道中的基类训练可以提高结果，优于Mini-ImageNet和CUB上的最新方法

哈哈哈hhhhhh·2022-09-17 13:52

Few-Shot Learning

Few-ShotLearning与普通的分类学习方法不同，Few-ShotLearning通过小样本SupportSet来判断Query的类别。Few-shotlearning是一种MetaLearning。MetaLearning就是自主学习。1.SupervisedLearningvs.Few-ShotLearning与监督学习相比，Few-ShotLearning的QuerySample的类

Harris-H·2022-09-17 13:52

Large Margin Few-Shot Learning

Abstract小样本学习的关键问题是学习泛化。本文提出了一个大边距原则，以提高基于度量的方法在小样本学习中的泛化能力。为了实现这一目标，我们开发了一个统一的框架，通过增加具有较大边距距离损失函数的分类损失函数来学习更具鉴别性的度量空间。在图神经网络和原型网络两种最先进的小样本学习方法上的大量实验表明，我们的方法可以大大提高现有模型的性能。1Introduction小样本学习[4]是一个非常具有挑

哈哈哈hhhhhh·2022-09-17 13:22

小样本学习(Few-shot Learning)

小样本学习(Few-shotLearning)定义小样本学习(Few-shotLearning)是元学习的一种(MetaLearning)，其目的是learntolearn。简单的说就是让模型具有自己学习的能力，而这个自己学习的能力就是能区分出两种图片的异同。小样本学习与监督学习的区别小样本学习与普通的监督学习不一样的点在于普通的监督学习把数据分为train_set与test_set，利用训练集训

柠檬ya·2022-09-15 15:16

浅谈few-shot

文章目录一：解决的问题二：几种形式1.ModelBased方法2.MetricBased方法【1】孪生网络SiameseNetwork【2】匹配网络MatchNetwork【3】原型网络PrototypeNetwork【4】RelationNetwork3.OptimizationBased方法一：解决的问题人类非常擅长通过极少量的样本识别一个新物体，比如小孩子只需要书中的一些图片就可以认识什么是

江南綿雨·2022-09-05 18:11

小样本学习（FSL）：Few-shot Learning 综述【模型微调（Fine-tunning）、数据增强、迁移学习（Transfer Learning）】

分类非常常见，但如果每个类只有几个标注样本，怎么办呢？比如：我们打造了一个智能对话开发平台以赋能第三方开发者来开发各自业务场景中的任务型对话，其中一个重要功能就是对意图进行分类。大量平台用户在创建一个新对话任务时，并没有大量标注数据，每个意图往往只有几个或十几个样本。面对这类问题，有一个专门的机器学习分支——Few-shotLearning来进行研究和解决。一、小样本学习方法1、基于模型微调的小样

u013250861·2022-08-18 07:01

NAACL2021 信息抽取与少/零样本相关论文整理

小编对其中事件抽取、关系抽取、NER和Few-Shot/Zero-Shot相关的论文整理如下，欢迎补充整理呦:事件抽取WEC:DerivingaLarge-scaleCross-documentEventCoreferencedatasetfromWikipediaEventRepresentationwithSequential

御风而行Carrie·2022-08-14 11:16

Making Pre-trained Language Models Better Few-Shot Learners

目录AbstractIntroductionMethodslabelwordsPrompttemplateDemonstrationsExperimentsAbstract使用自然语言prompt和taskdemonstrations作为额外信息插入到输入文本中很好的利用了GPT-3模型中的知识。于是，本文提出少样本在小模型下的应用。我们的方法包括了基于prompt的微调，同时使用了自动生成的pr

hithithithithit·2022-08-11 07:22

UIE: 信息抽取的大一统模型

所以，想找一些few-shot效果比较好的模型，可以辅助标注。无意间，就发现了这篇论文，尝试做了zero-shot实验，效果很惊人。众所周知，信

Shaw_Road·2022-07-26 07:15

遥感图像中的小样本目标检测：Few-shot Object Detection on Remote SensingImages

论文下载：https://arxiv.org/pdf/2006.07826v2.pdfAbstract在本文中，我们处理遥感图像上的目标检测问题。以前的方法已经发展了许多基于深度卷积的遥感图像目标检测方法，在检测性能和效率方面取得了显著的成就。然而，目前基于CNN的方法大多需要大量带注释的样本来训练深层神经网络，并且对看不见的对象类别的泛化能力往往有限。在本文中，我们介绍了一种基于少样本学习的遥感

象牙山首富_·2022-07-15 07:37

Few-Shot Learning && Meta Learning：小样本学习原理和Siamese网络结构(一)

MetaLearning：名字起的故弄玄虚，其实意思就是让网络学会如何去学习，即learntolearn。Few-ShotLearning：MetaLearning的一种，二者也可以看作是一回事。和传统通过大量数据集训练神经网络这类监督学习不同，并不是让机器准确识别测试集的图像，其目标是让神经网络学会学习。即通过大量数据去训练神经网络的目的并不是让网络学习狼、大象等动物的特征，进而准确分类没见过的

@会飞的毛毛虫·2022-07-13 07:30

CONTAINER: Few-Shot Named Entity Recognition via Contrastive Learning

1.介绍FewShotNER对于低资源域中的实体标记至关重要。现有的方法仅从源域学习特定于类的语义特征和中间表示。这会影响对看不见的目标域的通用性，从而导致性能不佳。为此，我们提出了CONTAINER，这是一种新的对比学习技术，它优化了标记间的分布距离。CONTAINER没有优化特定于类的属性，而是优化了一个广义目标，即基于高斯分布embedding区分token类别。这有效地缓解了源自训练领域的

Tsukinousag·2022-06-30 11:02

理解MAML：Model-Agnostic Meta-Learning for Fast Adaption of Deep Networks

few-shot就是在有限的样本上训练后进行测试，那么问题转化为，用有限的样本进行训练使网络快速适应拟合当前的类别，然后进行测试。那么网络的目标就是

XinYuan8719·2022-06-07 07:47

Learning to Compare: Relation Network for Few-Shot Learning阅读笔记

小样本-LearningtoCompare:RelationNetworkforFew-ShotLearning阅读笔记概要介绍相关工作方法论问题定义模型One-ShotK-ShotObjectivefunctionZero-shotLearning网络结构Few-shotLearningZero-shotLearning实验Few-shotRecogntionOmniglotminiImageN

kevin小新·2022-06-04 07:55

论文阅读笔记《Meta-SGD: Learning to Learn Quickly for Few-Shot Learning》

小样本学习&元学习经典论文整理||持续更新核心思想本文是在MAML的基础上进一步探索利用元学习实现无模型限制的小样本学习算法。思路与MAML和Meta-LSTM比较接近，首先MAML是利用元学习的方式获得一个较好的初始化参数，在此基础上只需要进行少量样本的微调训练就可以得到较好的结果，这种方式实现简单，但由于只对初始化参数进行学习，模型的容量有限。Meta-LSTM则是利用LSTM网络作为外层

深视·2022-06-04 07:22

[论文阅读笔记08]Generalizing from a Few Examples：A Survey on Few-Shot Learning

一，题目GeneralizingfromaFewExamples:ASurveyonFew-ShotLearning从少样本中概括：少样本学习综述FSL:Few-ShotLearning二，作者YAQINGWANG,HongKongUniversityofScienceandTechnologyand4ParadigmIncQUANMINGYAO,4ParadigmIncJAMEST.KWOK,H

happyprince·2022-06-04 07:17

Meta Learning入门之MAML实现Few-Shot Learning（Ominglot部分论文复现）

最近看了李宏毅老师的MAML课，尝试了一下自己implementfromstrach：关于Ominglot数据集的5-way1-shot分类。先挂一下参考的资源：李宏毅的Lectures：https://www.youtube.com/watch?v=EkAqYbpCYAc论文原文：https://arxiv.org/abs/1703.03400两篇知乎笔记：https://zhuanlan.zh

嘉伟森的猫·2022-06-04 07:35

few-shot基本概念

Few-shotlearninghttps://www.youtube.com/watch?v=UkQ2FVpDxHg&list=PLvOO0btloRnuGl5OJM37a8c6auebn-rH2&index=1&t=3s1.问题的引出通过很少的样本来进行分类/回归给你四张图像，人类大概可以知道，查询图像是什么。同样，机器也需要知道。Supportset：很少的数据集，例如每类图像有2张。这么少

看不见我呀·2022-05-27 20:31

CVPR 2021 | Few-shot Image Generation via Cross-domain Correspondence 阅读笔记 & 部分翻译

Few-shotImageGenerationviaCross-domainCorrespondenceAuthorUnit:AdobeResearch,UCBerkeley,UCDavisAuthors:UtkarshOjha1,2^{1,2}1,2YijunLi1^11JingwanLu1^11AlexeiA.Efros1,3^{1,3}1,3YongJaeLee2^22EliShechtma

ybacm·2022-05-21 07:36

【论文阅读】[meta learning]cross-domain few-shot classification via learned feature-wise transformation.

cross-domainfew-shotclassificationvialearnedfeature-wisetransformation.本文依旧对少样本的分类泛化性能进行了讨论，作者认为由于跨域的特征分布存在很大差异，因此这些方法通常无法推广到看不见的域。在本文中，作者解决了基于度量的方法在域移位下的少样本分类问题。核心思想是在训练阶段使用基于特征的变换层通过仿射变换来增强图像特征，以模拟不

JustForgeAhead16·2022-05-21 07:00

Boosting the Generalization Capability in Cross-Domain Few-shot Learning via Supervised Autoencoder

原文链接https://openaccess.thecvf.com/content/ICCV2021/papers/Liang_Boosting_the_Generalization_Capability_in_Cross-Domain_Few-Shot_Learning_via_Noise-Enhanced_ICCV_2021_paper.pdfMotivationDifferentfromge

_孤鸿寄语_·2022-05-21 07:00

【迁移学习】Prototypical Cross-domain Self-supervised Learning for Few-shot Unsupervised Domain Adaptation

摘要无监督域适应(UDA)将预测模型从完全标记的源域转移到无标记的目标域。然而，在某些应用程序中，甚至在源域中收集标签都很昂贵，这使得以前的大多数工作都不切实际。为了解决这个问题，最近的工作执行了基于实例的跨领域自我监督学习，然后是一个额外的微调阶段。然而，实例自监督学习只学习和对齐低层次的判别特征。在本文中，我们提出了一个端到端原型跨域自监督学习(PCS)框架用于小样本无监督域适应(FUDA)。

向上的毛毛·2022-05-21 07:53

【论文解读】跨域小样本学习：A Broader Study of Cross-Domain Few-Shot Learning

1.介绍论文地址：ABroaderStudyofCross-DomainFew-ShotLearning参考代码：https://github.com/IBM/cdfsl-benchmark针对问题：小样本学习、跨域学习Cross-Domain少数镜头学习的最新进展在很大程度上依赖于元学习的注释数据：从与新类相同的域中采样的基类。然而，在许多应用中，为元学习收集数据是不可行或不可能的。这就导致了跨

诸葛灬孔暗·2022-05-21 07:37

《CROSS-DOMAIN FEW-SHOT CLASSIFICATION VIA LEARNED FEATURE-WISE TRANSFORMATION》论文总结

这篇文章基于小样本分类，在度量方法的基础上做出了一些改进论文下载：https://arxiv.org/abs/2001.08735论文代码：https://github.com/hytseng0509/CrossDomainFewShot介绍：基于度量的方法要素：特征编码器和度量函数基于度量的方法过程：给定一个输入任务，该任务由来自新类的少量标记图像(支持集)和未标记图像(查询集)组成，编码器首先

谁偷了我的酒窝·2022-05-21 07:30

Meta-Transfer Learning for Few-Shot Learning 论文笔记

前言元学习（meta-learning）是目前广泛使用的处理小样本学习问题的方法，它的目的是在学习不同任务的过程中积累经验，从而使得模型能够快速适应新任务。比如在MAML（Model-AgnosticMeta-Learning）中，通过搜寻最优初始化状态，使得base-learner能够快速适应新任务。但是这一类元学习方法具有两个缺点：需要大量相似的任务以进行元训练（meta-training），

头柱碳只狼·2022-05-21 07:57

[ICLR 2020] cross-domain few-shot classification via learned feature-wise transformation

跨域小样本分类摘要摘要：小样本分类旨在识别每个类别中只有少数标记图像的新类别。现有的基于度量的小样本分类算法通过使用学习度量函数将查询图像的特征嵌入与少数标记图像(支持示例)的特征嵌入进行比较来预测类别。虽然已经证明了这些方法有很好的性能，但是由于域之间的特征分布存在很大的差异，这些方法往往不能推广到不可见的域。在这项工作中，我们解决了基于度量的方法在领域转移下的少样本分类问题。我们的核心思想是在

一亩高粱·2022-05-21 07:43

Dynamic Distillation Network for Cross-Domain Few-Shot Recognition with Unlabeled Data, NeurIPS 2021

motivationSTARTUP(ICLR2021)中提出基于self-training的思想用targetdomain的去标记数据联合训练模型。但STARTUP中使用在baseclasses上预先训练得到的网络，为未标记的目标样本创建软标签。域间差异较大时，使用固定的预训练模型将目标图像投影到基数据集的类域中可能是次优的。本文的问题设置和STARTUP中是一致的：带标签的源域样本+去标签的目标

RitaRao·2022-05-21 07:09

ICLR 2019:A CLOSER LOOK AT FEW-SHOT CLASSIFICATION （ACK-FSC）

下方↓公众号后台回复“ACKFSC”，即可获得论文原文电子资源。ACLOSERLOOKATFEW-SHOTCLASSIFICATION内容提要本文工作现有工作现有方法局限性文章贡献方法详解实验结果扩展解析内容提要本文工作wepresent：aconsistentcomparativeanalysisofseveralrepresentativefew-shotclassificationalgor

_Summer tree·2022-05-21 07:39

Cross-Domain Few-Shot Classification VIA Learned Feature-Wise Transformation 论文解读

Cross-DomainFew-ShotClassificationVIALearnedFeature-WiseTransformation摘要简介：方法：FEATURE-WISETRANSFORMATIONLAYER：LEARNINGTHEFEATURE-WISETRANSFORMATIONLAYERS:实验：摘要简介：小样本分类的目的是在每一个类别仅有少量标注样本的情况下识别新的类别。当前me

专注的大卫·2022-05-21 07:08

论文阅读：CROSS-DOMAIN FEW-SHOT CLASSIFICATION VIA LEARNED FEATURE-WISE TRANSFORMATION

论文：CROSS-DOMAINFEW-SHOTCLASSIFICATIONVIALEARNEDFEATURE-WISETRANSFORMATION地址：https://arxiv.org/abs/2001.08735代码：https://github.com/hytseng0509/CrossDomainFewShot来源：ICLR2020摘要由于不同领域的数据特征分布具有差异性，因此少样本分类算

csCaiRujia·2022-05-21 07:37

论文阅读《Meta-FDMixup：Cross-Domain Few-Shot Learning Guided by Labeled Target Data》

Background＆Motivation之前看的小样本论文大部分是目标域和源域属于同一个域，比如COCO数据集里的小样本设定：60类为Base，20类为Novel。Base和Novel都属于同一个数据集，同一个域内。而对于底片缺陷检测（类似于下图中的医学射线图像），与传统数据集相比我主观上认为不属于同一个域，因此就涉及到了域适应DomainAdaptation、域泛化DomainGenerati

不说话装高手H·2022-05-21 07:36

跨域小样本---cross domain few shot---第二弹

简单来说就是在Few-shotLearning问题中加入了跨域问题，具体表现在：在一个数据集上进行Few-shot训练，完成后在另一个数据集Few-shot测试，两个数据集中没有相同的类别。

DeepWWJ·2022-05-21 07:02

(AAAI2020 Yao) Graph Few-shot Learning via knowledge transfer

22-5-13seminar上和大家分享了这篇文章[0]Graphfew-shotlearningviaknowledgetransfer起因是在MLNLP的公众号上看到了张初旭老师讲的小样本图学习，虽然没看到录像，但是把ppt下下来研究了一下。所以本文中出现的图片许多都是张老师pp

lynk·2022-05-14 22:00

【阅读笔记】Imposing Semantic Consistency of Local Descriptors for Few-Shot Learning

Abstract少样本学习受到标记训练数据稀缺的影响。将图像的局部描述符作为图像的表示可以大大增加现有的标记训练数据。现有的基于局部描述符的小样本学习方法利用了这一事实，但忽略了局部描述符所表现的语义可能与图像语义无关。在本文中，我们从一个新的角度来处理这个问题，即对图像的局部描述符施加语义一致性。我们提出的方法由三个模块组成。第一个是局部描述符提取器模块，它可以在一次前向传递中提取大量局部描述符

一只瓜皮呀·2022-04-26 07:40

CVPR2020|WACV2020 |ICLR2021 小样本学习论文合辑

以下是我根据few-shot和few这两个作为关键字查询得到的文章列表文章列表FSS-1000:A1000-ClassDatasetforFew-ShotSegmentationMulti-DomainLearningforAccurateandFew-ShotColorConstancyFew-Shot

wangs1996·2022-04-19 07:00

【学习笔记】小样本学习（Few-shot Learning）

参考视频：https://www.youtube.com/watch?v=UkQ2FVpDxHg文章目录基本概念孪生网络（SiameseNetwork）PretrainingandFineTuningFew-shot常用数据集参考资料基本概念小样本学习（few-shotlearning）是什么：就是使用很少的样本来进行分类或回归Few-shotLearning的目标：让机器学会自己学习小样本学习的

iioSnail·2022-04-12 08:24

论文阅读笔记《RepMet Representative-based metric learning for classification and few-shot object detection》

小样本学习&元学习经典论文整理||持续更新核心思想作者提出一种基于表征的度量学习方法用于解决小样本分类和目标检测问题。作者提出每个类别的样本，其在嵌入式空间（特征空间）中的分布都属于一种混合分布模型，而每个模型分量的众数mode（也就是概率密度函数最高点，峰值peak），就是该类样本的一个表征。通过度量输入图像对应的特征向量与各个类别对应表征之间的距离，预测输入图像的类别。网络结构如下图所示。

深视·2022-04-12 07:44

【论文分享】★★★ 小样本网络异常检测方法 GDN：Few-shot Network Anomaly Detection via Cross-network Meta-learning

题目：Few-shotNetworkAnomalyDetectionviaCross-networkMeta-learning源码：-时间：2021.02链接：https://arxiv.org/pdf/2102.11165.pdf机构：亚利桑那州立大学会议：WWW（CCF-A）摘要：本文提出了一种新的图神经网络系列：图偏差网络(GDN)，它可以利用少量标记的异常来加强网络中异常节点和正常节点之间

vector<>·2022-04-08 08:36

【论文分享】小样本图片分类方法：AwGCN：Few-Shot Learning With Attention-Weighted Graph Convolutional Networks

题目：Few-ShotLearningWithAttention-WeightedGraphConvolutionalNetworksForHyperspectralImageClassification链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9190752源码：-时间：2020.10会议：ICIP（CCF-C）机构：

vector<>·2022-04-08 08:36

【论文分享】GNN+小样本文本分类方法：Meta-GNN: On Few-shot Node Classification in Graph Meta-learning

题目：Meta-GNN:OnFew-shotNodeClassificationinGraphMeta-learning会议：CIKM（CCF-B）链接：https://dl.acm.org/doi/pdf/10.1145/3357384.3358106源码：https://github.com/AI-DL-Conference/Meta-GNN时间：2019年11月摘要：用GNN来实现小样本分类

vector<>·2022-04-08 08:35

CIKM 2020 Graph Prototypical Networks for Few-shot Learning on Attributed Networks 小样本图学习

文章信息1.摘要提出了一个图元学习框架-图原型网络(GPN)。通过构建一个半监督的节点分类任务池来模拟真实的测试环境，GPN能够在一个属性网络上执行元学习，并推导出一个高度一般化的模型来处理目标分类任务。大量的实验证明了GPN在少镜头节点分类方面具有优越的能力。2.introduction节点分类问题的流行方法通常遵循监督或半监督范式，这通常依赖于所有节点类[47]的足够的标记节点的可用性。尽管如

Complicated__76·2022-03-28 07:33

【论文整理】小样本学习Few-shot learning论文整理收藏（最全，持续更新）

一、综述类1.GeneralizingfromaFewExamples:ASurveyonFew-ShotLearning2.Generalizingfromafewexamples:Asurveyonfew-shotlearning,CSUR,2020.3.Rethinkingfew-shotimageclassification:agoodembeddingisallyouneed?ECCV2

诸葛灬孔暗·2022-03-28 07:03

论文阅读笔记《Few-Shot Learning with Global Class Representations》

小样本学习&元学习经典论文整理||持续更新核心思想本文提出一种基于度量学习的小样本学习算法。与其他算法将训练集分成基础类别和新类别，进行两个阶段的训练方式不同，本文将包含大量样本的基础类别和包含少量样本的新类别合在一起进行训练，得到每个类别的表征（原型）称之为全局类别表征（GlobalClassRepresentations，GCR）。然后对于每个Episode中的支持集样本得到对应的Epis

深视·2022-03-28 07:02

【论文分享】☆ 经典小样本GNN模型：Few-shot Learning With Graph Neural Networks【CNN+相似性度量+GCN】

题目：Few-shotLearningWithGraphNeuralNetworks链接：https://arxiv.org/pdf/1711.04043.pdf源码：https://github.com/vgsatorras/few-shot-gnn时间：2018.02会议：ICLR其他：这是一篇很经典的小样本+GNN文章，网上能找到的对它的阅读笔记也有很多，一度成为后续众多模型的baselin

vector<>·2022-03-28 07:50

Generalizing from a Few Examples: A Survey on Few-Shot Learning

GeneralizingfromaFewExamples:ASurveyonFew-ShotLearning本文知乎链接（排版可能好看丢丢）：https://zhuanlan.zhihu.com/p/340618818论文地址：paper这篇概述很简洁：简介的论文解读一、摘要机器学习在有大量数据支撑的时候的效果很好，但是数据量很少的时候效果很差了。Fewshotlearning是针对于这个问题场景

柯西一施瓦兹不等式·2022-03-27 07:00

few-shot learning几篇论文

PrototypicalNetworksforFew-shotLearning论文链接：https://arxiv.org/abs/1703.05175开源代码：https://github.com/jakesnell/prototypical-networks发表时间：2017年6月该论文属于metric_based论文中心思想：经过神经网络学会一个映射，将所有样本映射到同一空间，每个类别样本存

勤劳的凌菲·2022-03-27 07:47

【论文分享】小样本文本分类方法 EGNN-Proto：Few-Shot Text Classification with Edge-Labeling Graph Network-Based Proto

题目：Few-ShotTextClassificationwithEdge-LabelingGraphNeuralNetwork-BasedPrototypicalNetwork链接：https://aclanthology.org/2020.coling-main.485.pdf源码：-时间：2020.12会议：COLING（CCF-B）机构：北京大学摘要：提出了一个小样本文本分类模型：EGNN

vector<>·2022-03-27 07:42

小样本学习(Few-Shot Learning)

小样本学习(Few-ShotLearning)转载自https://www.cnblogs.com/liuxiaochong/p/14350925.html样本量极少可以训练机器学习模型吗？在训练样本极少的情况下（几百个、几十个甚至几个样本），现有的机器学习和深度学习模型普遍无法取得良好的样本外表现，用小样本训练的模型很容易陷入对小样本的过拟合以及对目标任务的欠拟合。但基于小样本的模型训练又在工业

zhaojie456·2022-03-18 07:47

【论文总结】DeepEMD:Few-Shot Image Classification with Differentiable Earth Mover’s Distance（附翻译）

DeepEMD:Few-ShotImageClassificationwithDifferentiableEarthMover’sDistance使用陆地移动距离的小样本图像分类论文地址：https://arxiv.org/abs/2003.06777代码地址：https://github.com/icoz69/DeepEMD基于度量学习的小样本学习算法：利用一个特征提取网络将支持集图像和查询集图

小张好难瘦·2022-03-18 07:28

推荐频道

Few-Shot