Few-Shot 第12页

Meta-Learning for Semi-Supervised Few-Shot Classification. （用于半监督少样本分类的元学习）

1.摘要在少样本分类中，我们关注于学习一个可以用很少的标记数据训练一个分类器的算法。最近的少样本分类任务以使用元学习为主要特征。元学习中一个算法对应的一个参数化模型在表示不同分类任务的episode(剧集，情节)上面定义和训练，每一个episode中有自己的少量标记样本的训练集和对应的测试集。本文中，我们把这种少样本分类的范式推广到一种新的场景：每个episode中未标记的数据也是可用的。我们考虑

CaoChengtai·2020-08-16 09:58

论文阅读笔记《A closer look at few-shot classification》

核心思想本文并没有提出新的小样本学习算法，而是对目前主流的小样本学习算法做了更加深入的比较和研究，提出了自己的一些观点。首先，作者按照统一的方式复现了Baseline方法（特征提取器+线性分类器），Baseline++方法（特征提取器+距离度量分类器），MN，PN，RN和MAML等元学习算法，这个过程中采用相同的backbone结构，相同的数据集，相同的训练策略。这样就能够在一个更加公平的基础

深视·2020-08-16 07:29

论文阅读笔记《DeepEMD: Few-Shot Image Classification with Differentiable Earth Mover’s Distance》

核心思想本文提出一种基于度量学习的小样本学习算法（DeepEMD）。之前的基于度量学习的小样本学习算法通常是利用一个特征提取网络将支持集图像和查询集图像映射到一个特征空间，然后再设计或选择一种距离度量方式，来描述支持集图像和查询集图像之间的相似程度，并以此进行类别预测。而本文则是将图片拆分成多个图块，然后引入一种新的距离度量方式陆地移动距离（EarthMover’sDistance，EMD），

深视·2020-08-16 07:29

论文阅读 --- 小样本学习 --- A CLOSER LOOK AT FEW-SHOT CLASSIFICATION

背景目前深度学习需要大量的有标签数据，而人类则不需要，能够通过少量的有标签数据样本进行学习分类。在N-shotlearning中[1]，在训练是有K个类，每个类有N个由标签数据，即一共有N*K个样本来训练，作为supportsetS，然后需要对querysetQ进行分类，判断属于K类中的哪一类。N-shotlearning有三个子领域，分别是zero-shotlearning，one-shotle

chencas·2020-08-16 06:42

MAML中few-shot (小样本）learning中数据集的处理

Few-shotlearning数据集小样本学习（fewshotlearning）里面常用的测试数据集主要有Omniglot和miniImagenet两个，但是网上能查到的下载地址都在谷歌网盘上，而且miniImagenet中还缺少标注数据的csv文件,这里写一下搜索到的地址miniImagenet部分miniImagenet下载地址：百度云链接:https://pan.baidu.com/s/1

小刘同学_·2020-08-16 05:25

[Few-shot Classification]Review:(ICLR 2019）A Close Look at Few-shot Classification

前言本次的Review，我将按照[Howtoreadapaper]的顺序进行阅读。[openreview][code]1.GeneralInformation文章是对Few-shotclassification的一个综述性质的文章，但是在其基础上还提出了自己的模型，并对以前的方法进行了统一的标准。文章的主要贡献如下：对现有的few-shotclassification算法做了公平性的比较分析，结果

bryce1010·2020-08-16 05:46

(few-shot)few-shot learning Classification overview 小样本综述

[个人主页-YangXian]小样本学习：基础[blog]1.相关问题半监督学习(Semi-supervisedLearning)是同时从有标注和无标注的数据中学习最优假设.正样本半监督学习(Positive-unlabeledlearning)是一类特殊的半监督学习,只有正样本和无标注样本可以使用.主动学习(activelearning)则由算法选择可以提供有用信息(informative)的无

bryce1010·2020-08-16 05:46

Few-Shot Image Classification with Meta-Learning（少样本）

1980年，KunihikoFukushima提出了第一个卷积神经网络（https://en.wikipedia.org/wiki/Kunihiko_Fukushima）。从那时起，由于计算能力的不断提高和机器学习社区的巨大努力，深度学习算法在与计算机视觉相关的任务上从未停止过提高它们的性能。2015年，何凯明和他在微软的团队报告说，他们的模型在对来自ImageNet的图像进行分类时表现优于人类（

jiaotong_jin·2020-08-16 05:25

label-embedding在文本分类中的应用

所以挖了挖这个领域的研究，不挖不知道，一挖吓一跳，没想到这个坑还挺深的，看着看着就从普通的分类延续到few-shot，zero-shot以及meta-learning去了。

PaperWeekly·2020-08-11 16:16

【目标检测】Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector(FSOD) 论文理解

Few-ShotObjectDetectionwithAttention-RPNandMulti-RelationDetector论文理解解决什么问题本文创新点\贡献本文IDEA来源方法方法概述问题定义DeepAttentionedFew-ShotDetectionAttention-BasedRegionProposalNetworkMulti-RelationDetectorTwo-wayCo

KirutoCode·2020-08-08 12:58

论文翻译：Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector

原文链接：https://arxiv.org/abs/1908.01998提出带有注意力RPN和多关系检测器的小样本目标检测网络并开源FSOD数据集（含1000个类别）小样本学习的综述https://arxiv.org/pdf/1904.05046.pdf小样本学习即少样本学习，少样本就是数据集样本数量比通用标准要少很多，甚至每个类别下只有几个的意思。少样本学习由于数据不足往往要借助于更多的先验知

HimeAnole·2020-08-07 16:04

【语义分割】PANet Few-Shot Image Semantic Segmentation with Prototype Alignment 论文理解

PANetFew-ShotImageSemanticSegmentationwithPrototypeAlignment论文理解解决什么问题本文创新点\贡献前人方法本文IDEA来源方法方法概述AlignmentPrototypelearningNon-parametricmetriclearningPrototypealignmentregularization(PAR)训练实验PAR的分析Gen

KirutoCode·2020-08-05 10:34

论文阅读：Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector

论文阅读：Few-ShotObjectDetectionwithAttention-RPNandMulti-RelationDetector（1）Author（2）Abstract（3）Conclusion（4）Introduction（5）FSOD：AHighly-DiverseFew-ShotObjectDetectionDataset（6）OurMethodology（6.1）Problem

Friedrich Yuan·2020-08-04 21:55

Prototypical Networks for Few-shot Learning

小样本学习的原型网络摘要我们为小样本分类问题提出了原型网络，分类器必须推广到训练集中没有的新类，每个新类只给出非常小的数量的样本。原型网络在这样一个度量空间中学习：分类可以通过计算每个类的原型之间的距离来区分。与最近的小样本学习的几种方式，它反映了一种在这种有限数据的情况下有利的更简单的归纳偏差，并且取得了非常好的结果。我们提供的分析结果表明一些简单的设计决策能够对最近的包含复杂的架构选择和元学习

Xin1203·2020-08-04 12:58

Zero-shot and few-shot Detection

novel类别的定位问题，这是few-shot分类中没有的问题。在提高novel类别的mAP时，bas

HXX_2048·2020-08-03 07:02

(Few-shot )Review:Learning from the Past:Continual Meta-Learning with Bayesian Graph Neural network

1.提出问题现有的基于图网络做meta-learning的方法会有Catastrophicforgetting和insufficientrobustness的问题，导致不嗯呢个保持long-term的knowledge，并会造成严重的错误积累。Catastraphicforgettinginsufficientrobustness2.提出解决方案针对Catastraphicforgetting的问

bryce1010·2020-08-02 15:10

从元学习角度看待和思考通用智能（Valse2019\1\2）学习笔记

讲者一：王宇雄（卡内基梅隆大学博士）：他做了很多one-shot，two-shot、few-shot的工作，他表示few-shotlearning学的是从小样本模型到大样本模型的映射，一个变化，一个迁移

gagajian·2020-07-31 10:25

Learning Embedding Adaptation for Few-Shot Learning---- 论文阅读笔记

Abstract之前的方法：istask-agnostic:theembeddingfunctionisnotlearnedoptimallydiscriminativewithrespecttotheunseenclasses,wherediscerningamongthemisthetargettask.改进的地方：toadapttheembeddingmodeltothetargetclas

wuxtwu·2020-07-29 00:30

Prototypical Networks for Few-shot Learning||论文阅读

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AAAI2017-2019CVPR2017-2019ECCV2018ICCV2017-2019ICLR2017-2019NIPS2017-2019http://www.pianshen.com/article/8827150280/https://blog.csdn.net/u014767662/article/deta

vieo·2020-07-28 20:16

learning to propagate labels ：transductive propagation network for few-shot learning

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AAAI2017-2019CVPR2017-2019ECCV2018ICCV2017-2019ICLR2017-2019NIPS2017-2019论文题目：learningtopropagatelabels：transductivepropagationnetworkforfew-shotlearning论文发表：ICL

vieo·2020-07-28 20:16

论文笔记：Prototypical Networks for Few-shot Learning

PrototypicalNetworksforFew-shotLearning（用于小样本学习的原型网络）论文中心思想：通过神经网络学会一个“好的”映射，将各个样本投影到同一空间中，对于每种类型的样本提取他们的中心点(mean)作为原型（prototype）。使用欧几里得距离作为距离度量，训练使得测试样本到自己类别原型的距离越近越好，到其他类别原型的距离越远越好。测试时，通过对到每类原型的距离做s

Learn2Learn·2020-07-28 15:49

[2018][ICLR]FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORKS 论文笔记

codehttps://github.com/vgsatorras/few-shot-gnn.gitpaperhttps://arxiv.org/pdf/1711.04043.pdf论文的原理可以直接看论文或者博客，这里主要记录论文中一些含糊的细节setting分为few-shotsetting，semi-supervisedsetting和activelearningsettingfew-sho

_Cade_·2020-07-28 13:51

论文阅读笔记《DPGN: Distribution Propagation Graph Network for Few-shot Learning》

核心思想本文提出一种基于图神经网络的小样本学习算法（DPGN）。先前基于图神经网络的小样本算法通常将每个样本当作一个结点，然后通过结点之间的关系，来推导出未知结点的类别。本文不仅关心样本与样本之间的关系，而且关注样本的分布之间的关系。本文提出了一个双图神经网络模型，一个图用于描述样本（PG），一个图用于描述分布（DG）。PG通过聚合每个样本和其他所有样本之间的关系来得到DG，DG又利用每对样本

深视·2020-07-28 07:09

论文阅读笔记《Edge-Labeling Graph Neural Network for Few-shot Learning》

核心思想本文采用基于图神经网络的算法实现了小样本学习任务，先前基于GNN的方法通常是基于节点标签框架，隐式地建立类内相似性和类间差异性的模型。而本文提出的边标签图卷积神经网络（Edge-labelingGraphNeuralNetwork，EGNN）学习预测边标签而不是节点标签，这使其能够显式地表示类内相似性和类间差异性。这样描述还是很抽象，难以理解的，下面就直接介绍本文提出的模型。图模型G=

深视·2020-07-28 07:09

论文阅读笔记《Learning to propagate labels: Transductive propagation network for few-shot learning》

核心思想本文提出一种采用直推式传播网络（TransductivePropagationNetwork，TPN）的小样本学习算法。在介绍本文之前，我们首先了解一下什么是直推式学习（TransductiveLearning），我们常见的有监督学习方法其实属于归纳学习（InductiveLearning），也就是训练集是带有真实标签的，而测试集是不带有真实标签的，且二者之间不存在重合的部分。但直推式

深视·2020-07-28 07:09

论文阅读笔记《Generalized Zero- and Few-Shot Learning via Aligned Variational Autoencoders》

核心思想本文提出一种基于变分自动编码器的广义零样本学习算法，通过结合图像特征信息和描述特征信息来构建包含重要的多模型信息的潜在特征，并借此实现对于未见过的（unseen）样本的分类。要想理解本文必须要先了解两个基础概念：广义零样本学习（Generalizedzero-shotlearning，GZSL）和变分自动编码器（VariationalAutoencoders，VAE）。零样本学习是

深视·2020-07-28 07:08

LaSO: Label-Set Operations networks for multi-label few-shot learning 论文笔记

前言样本合成是解决小样本学习问题的方法之一，所谓样本合成，就是在给定少量训练样本的情况下，在特征空间中利用这些训练样本合成新的样本，然后利用这些合成样本提升小样本学习任务的泛化能力。但是目前的合成方法仅处理的是每个图像中仅有一个类别标签（比如C(Img)=dogC(Img)=dogC(Img)=dog）这样的情况，而多标签的情况还从未被提及过（比如C(Img)={dog,leash,person,

头柱碳只狼·2020-07-28 06:30

[深度学习从入门到女装]Few-shot 3D Multi-modal Medical Image Segmentation using Generative Adversarial Learning

论文地址：Few-shot3DMulti-modalMedicalImageSegmentationusingGenerativeAdversarialLearning这是一篇使用GANs进行semi-supervised3D多模态医学图像分割的论文对于semi-supervised任务，本文对GANs的loss进行改进：由于对于K+1个分类情况下，最后一个对于fake的预测是基于softmax的

炼丹师·2020-07-28 04:03

Edge-Labeling Graph Neural Network for Few-shot Learning--CVPR2019--论文笔记

记录一下自己看的文章，和一些自己的见解。这次看的文章是《基于边标签图神经网络的少样本学习》Abstract在本文之中，我们提出了一个新的基于边标签的图神经网络（EGNN），适用于一些少样本学习（few-shotlearning），以往的图卷积神经网络只是基于节点标签的框架，然而提出的EGNN通过利用类内的相似性和类间的不相似行不断地更新迭代，不仅仅只是学习预测节点标签，而且会预测变得标签。更加适用

爱玩的阿是·2020-07-28 03:06

Few-Shot Learning with Graph Neural Networks笔记

Few-ShotLearningwithGraphNeuralNetworks笔记第一步输入T={{(x1,l1),…(xs,ls)},{x~1,…,x~r},{x‾1,…,x‾t};li∈{1,K},xi,x~j,x‾j∼Pl(RN)}\mathcal{T}=\left\{\left\{\left(x_{1},l_{1}\right),\ldots\left(x_{s},l_{s}\right)

cwhchn·2020-07-27 21:02

Generalized Zero- and Few-Shot Learning via Aligned Variational Autoencoders【CVPR2019】

PDF:GeneralizedZero-andFew-ShotLearningviaAlignedVariationalAutoencoderscode:implementbypytorch摘要Manyapproachesingeneralizedzero-shotlearningrelyoncross-modalmappingbetweentheimagefeaturespaceandthecl

Xie_learning·2020-07-27 17:21

《Few-Shot Learning with Graph Neural Networks》——少样本学习与图神经网络

目录一、简介二、代码实现过程分析2.1数据的准备2.2GNN网络2.2.1特征提取网络2.2.2顶点表达2.2.3卷积图神经网络——ConvolutionalGraphNeuralNetworks(ConvGNNs)2.2.4Loss的解析三、总结索引一、简介关于Few-shotLearning（小样本学习），详细可参考综述【1】，本文为叙述方便，现简要概括如下：所谓Few-shotLearnin

田神·2020-07-27 17:03

【论文笔记】Rethinking Few-Shot Image Classification: A Good Embedding Is All You Need?

RethinkingFew-ShotImageClassification:AGoodEmbeddingIsAllYouNeed?https://arxiv.org/abs/2003.11539(CVPR2020)https://github.com/WangYueFt/rfs/(code)keywords:FSL、EmbeddingModel、KnowledgeDistillation、Meta

GuanZI_Y·2020-07-27 16:05

「炫富」的GPT-3来了：31位作者，45TB数据，72页论文，1750亿个参数，会编故事，还会三位数加减法...

OpenAI表示，通过GPT-3，他们证明了无需梯度更新，无需微调，规模更大的语言模型就可以大大改善无关任务和小样本（few-shot）学习的性能，达到最先进微调方法的水准。在部分任务中，甚至超越了最

QbitAl·2020-07-14 05:59

few-shot learning是什么

个人博客：https://xhw205.github.io/小样本学习背景深度学习背景下，每个类至少需要上千张训练样本才能使CNN在已知类别上性能饱和。此外，神经网络generalizationability薄弱，当novelclass来临时,模型很难通过少量的标记样本就学会识别novelconcepts。然而这一切对于人类来说却不成问题，我们人类是具有快速从少量（单）样本中快速学习能力的。即使对

勤奋的懒猫·2020-07-13 22:02

【论文阅读一】Adaptive Cross-Modal Few-shot Learning

1、introduction这篇文章提出了一种将语义与视觉知识相结合的自适应的cross-modal。视觉和语义特征空间根据定义具有不同的结构。对于某些概念，视觉特征可能比文本特征更丰富，更具辨别力。但当视觉信息在图像分类中受到限制时，语义表示（从无监督的文本语料库中学习）可以提供强大的先验知识和上下文以帮助学习。此文就是基于此开展研究的，提出了AdaptiveModalityMixtureMec

warm_in_spring·2020-07-13 16:58

论文阅读笔记《Baby Steps Towards Few-Shot Learning with Multiple Semantics》

核心思想本文提出一种结合多种语义信息的小样本学习算法。首先作者提到人类的幼儿在学习新的事物时，通常是利用多种语义信息综合学习的，比如你给他看一只狗，他不仅接收到视觉和简单的语义标签信息，你还会给他描述这只狗有金色的毛发，它还会汪汪叫。如此一来幼儿就可接收到多种语义信息，帮助他学习识别狗。正是出于这种思想，作者提出利用多种更为丰富的语义信息来帮助模型实现小样本学习，网络的结构如下图所示。整个

深视·2020-07-13 10:22

FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORKS 论文笔记

论文链接：FEW-SHOTLEARNINGWITHGRAPHNEURALNETWORKSIdea:Few-shot学习不依靠于规则化扩展数据集来补偿缺少有监督数据对模型带来的影响，而是受启发与人类学习去探索相似任务在空间上的分布情况

羽_羊·2020-07-13 08:00

Incremental Few-Shot Learning with Attention Attractor Networks

https://www.jianshu.com/p/fdd4f78bcf0b多伦多大学提出注意式吸引器网络，实现渐进式少量次学习引言通常，机器学习分类器的训练目标是识别一组预定义的类别，但是很多应用往往需要机器学习能通过有限的数据灵活地学习额外的概念，而且无需在整个训练集上重新训练。这篇论文提出的渐进式少量次学习（incrementalfew-shotlearning）能够解决这个问题，其中已经训

vieo·2020-07-12 11:17

Cross Attention Network for Few-shot Classification

作者：一颗柠檬味的橙子链接：https://zhuanlan.zhihu.com/p/105717426来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。来源：NeurIPS2019文章题目：CrossAttentionNetworkforFew-shotClassification下载地址：https://arxiv.org/abs/1910.07677本文的主要工作

vieo·2020-07-12 11:46

Adaptive Cross-Modal Few-shot Learning

论文资料1基于度量的元学习（metric-basedmeta-learning）如今已成为少样本学习研究过程中被广泛应用的一个范式。这篇文章提出利用交叉模态信息（cross-modalinformation）来进一步加强现有的度量元学习分类算法。在本文中，交叉模态是指视觉和语言的信息；结构定义上来说视觉信息和语义信息有截然不同的特征空间，然而在识别任务上二者往往能够相互辅助，某些情况下视觉信息比起

vieo·2020-07-12 11:45

小样本学习(one/few-shot learning)

原文：https://blog.csdn.net/mao_feng/article/details/78939864原博地址：https://blog.csdn.net/xhw205/article/details/79491649小样本学习来源：我们人类是具有快速从少量（单）样本中快速学习能力的，其实在我们学习的过程中，人类的大脑将对象和类别组成有用的信息将之分类。首先需要声明的是，小样本学习属

朴素.无恙·2020-07-12 11:11

Few-Shot Learning with Global Class Representations笔记整理

Few-ShotLearningwithGlobalClassRepresentations笔记整理1Introduction在小样本学习（Few-ShotLearning,FSL）问题上，对于baseclasses中的每个类别，我们往往有充足的训练数据；对于那些novelclasses中的每个类别，我们只有少量的带标签的数据。FSL旨在利用basecalsses中大量的数据，来学习出一个可以对n

miguemath·2020-07-12 05:03

元学习——Meta Relational Learning for Few-Shot Link Prediction in Knowledge Graphs（文献解读）

元学习——MetaRelationalLearningforFew-ShotLinkPredictioninKnowledgeGraphs（文献解读）1.Introduction常规的知识图谱是由一系列的三元组所组成，三元组的基本形式为：头实体，关系，尾实体头实体，关系，尾实体头实体，关系，尾实体尽管在知识图谱中包含了大量的实体、关系和三元组，但是很多的知识图谱仍然是不完整的。因此，知识图谱的完整

隔壁的NLP小哥·2020-07-11 07:46

论文阅读笔记《Few-Shot Learning with Localization in Realistic Settings》

核心思想本文仍是基于度量学习的小样本学习算法，但本文从实际情况出发，通过改进训练方式，增加目标定位信息和增强特征表达能力三个方面，改善了基于度量学习的小样本学习算法在解决实际小样本数据集时的能力。作者首先分析了现有的小样本学习算法在处理实际情况下小样本学习任务所使用的数据集存在的问题：第一，现有算法通常假设数据集都是平衡的，各个类别样本的数量都差不多，而实际上样本数量通常是极不平衡的，某些类别

深视·2020-07-09 23:32

Plant Leaves Classification: A Few-Shot Learning Method Based on Siamese Network

|原文链接：小样本学习与智能前沿ThearticledirectoriesAbstractIntroductionPROPOSEDCNNSTRUCTUREINITIALCNNANALYSISEXPERIMENTALSTRUCTUREANDALGORITHMSMATERIALSANDMETHODSDATASETPREPROCESSINGOFIMAGESFEW-SHOTLEARNINGANDDISTA

_Summer tree·2020-07-09 11:33

【迁移学习】Self Paced Adversarial Training for Multimodal Few-shot Learning论文解读

paper：SelfPacedAdversarialTrainingforMultimodalFew-shotLearning20181127WACV-19SelfPacedAdversarialTrainingforMultimodalFew-shotLearning.方法源域训练GAN网络利用源域数据训练GAN网络。具体地，GAN网络设成stackGAN网络，所谓stackGAN网络是指，用l

zkq_1986·2020-07-09 06:41

ICLR 2020 元学习（Meta-learning）及小样本学习（Few-shot learning)等方向上接收论文总结

ICLR2020将于2020年4月26日于埃塞俄比亚首都亚的斯亚贝巴举行。在最终提交的2594篇论文中，有687篇被接收，接收率为26.5%；和之前一样，所有被接收的论文都将进行poster展示；23%的接收论文将进行口头讲述报告，其中108篇论文为spotlight，演讲时间4分钟，48篇论文将进行10分钟以上的talk。对ICLR2020接收论文中与元学习（Meta-learning）及小样本

yyywxk·2020-07-09 04:00

论文笔记：Cross-Modulation Networks For Few-Shot Learning

这两天读完的一篇论文,UniversitatAutònomadeBarcelona和GoogleBrain对小样本学习的研究,已被NIPS2018WorkshoponMeta-Learning接收。其中的研究思路值得mark学习下。论文不长，除去引用和实验表格和图片,内容才3页，所以能很快读完。但里面涉及到许多概念需要补其他论文，所以需要一定时间理解，以下简单总结整理：摘要简单总结介绍了下元学习的

Learn2Learn·2020-07-08 11:37

推荐频道

Few-Shot

Meta-Learning for Semi-Supervised Few-Shot Classification. （用于半监督少样本分类的元学习）

论文阅读笔记《A closer look at few-shot classification》

论文阅读笔记《DeepEMD: Few-Shot Image Classification with Differentiable Earth Mover’s Distance》

论文阅读 --- 小样本学习 --- A CLOSER LOOK AT FEW-SHOT CLASSIFICATION

MAML中few-shot (小样本）learning中数据集的处理

[Few-shot Classification]Review:(ICLR 2019）A Close Look at Few-shot Classification

(few-shot)few-shot learning Classification overview 小样本综述

Few-Shot Image Classification with Meta-Learning（ 少样本）

label-embedding在文本分类中的应用

【目标检测】Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector(FSOD) 论文理解

论文翻译：Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector

【语义分割】PANet Few-Shot Image Semantic Segmentation with Prototype Alignment 论文理解

论文阅读：Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector

Prototypical Networks for Few-shot Learning

Zero-shot and few-shot Detection

(Few-shot )Review:Learning from the Past:Continual Meta-Learning with Bayesian Graph Neural network

从元学习角度看待和思考通用智能（Valse2019\1\2）学习笔记

Learning Embedding Adaptation for Few-Shot Learning---- 论文阅读笔记

Prototypical Networks for Few-shot Learning||论文阅读

learning to propagate labels ：transductive propagation network for few-shot learning

论文笔记：Prototypical Networks for Few-shot Learning

[2018][ICLR]FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORKS 论文笔记

论文阅读笔记《DPGN: Distribution Propagation Graph Network for Few-shot Learning》

论文阅读笔记《Edge-Labeling Graph Neural Network for Few-shot Learning》

论文阅读笔记《Learning to propagate labels: Transductive propagation network for few-shot learning》

论文阅读笔记《Generalized Zero- and Few-Shot Learning via Aligned Variational Autoencoders》

LaSO: Label-Set Operations networks for multi-label few-shot learning 论文笔记

[深度学习从入门到女装]Few-shot 3D Multi-modal Medical Image Segmentation using Generative Adversarial Learning

Edge-Labeling Graph Neural Network for Few-shot Learning--CVPR2019--论文笔记

Few-Shot Learning with Graph Neural Networks笔记

Generalized Zero- and Few-Shot Learning via Aligned Variational Autoencoders【CVPR2019】

《Few-Shot Learning with Graph Neural Networks》——少样本学习与图神经网络

【论文笔记】Rethinking Few-Shot Image Classification: A Good Embedding Is All You Need?

「炫富」的GPT-3来了：31位作者，45TB数据，72页论文，1750亿个参数，会编故事，还会三位数加减法...

few-shot learning是什么

【论文阅读一】Adaptive Cross-Modal Few-shot Learning

论文阅读笔记《Baby Steps Towards Few-Shot Learning with Multiple Semantics》

FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORKS 论文笔记

Incremental Few-Shot Learning with Attention Attractor Networks

Cross Attention Network for Few-shot Classification

Adaptive Cross-Modal Few-shot Learning

小样本学习(one/few-shot learning)

Few-Shot Learning with Global Class Representations笔记整理

元学习——Meta Relational Learning for Few-Shot Link Prediction in Knowledge Graphs（文献解读）

最新小样本学习综述 A Survey on Few-Shot Learning | 四大模型Multitask Learning、Embedding Learning、External Memory…

论文阅读笔记《Few-Shot Learning with Localization in Realistic Settings》

Plant Leaves Classification: A Few-Shot Learning Method Based on Siamese Network

【迁移学习】Self Paced Adversarial Training for Multimodal Few-shot Learning论文解读

ICLR 2020 元学习（Meta-learning）及小样本学习（Few-shot learning)等方向上接收论文总结

论文笔记：Cross-Modulation Networks For Few-Shot Learning

Few-Shot Image Classification with Meta-Learning（少样本）