关于小样本学习的一些看法

本文作者分享了对小样本学习的理解,特别是通过阅读元学习论文和Siamese Neural Networks for One-shot Image Recognition。文章讨论了N-way K-shot测试方法,并介绍了孪生网络的基本思想,指出其将多分类问题转化为二分类问题。作者还表达了对训练与测试过程、准确率等概念的疑惑,并推荐了几篇相关博客进行深入学习。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

今天看了小样本学习的一些内容,按照我之前的理解,是训练的样本比较少,但是我一直都不太理解这个少是什么概念,我就看了康老师给我的一篇关于元学习的论文,里面的内容是真的晦涩难懂,什么元学习啥的,太顶了,在实验的测试部分,我以为会有什么mAp之类的测试标准,谁知道居然是N-way K-shot的测试方法,所以我决定今天重新梳理一下小样本学习是个啥。

首先这里是两篇类似于综述的博客,里面解释了小样本学习。

Few-shot learning(少样本学习)和 Meta-learning(元学习)概述

当小样本遇上机器学习 fewshot learning

第二篇博客的解释比较清晰,列举了一些主流的小样本学习方法。

今天主要对第一篇论文Siamese Neural Networks for One-shot Image Reco

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

肆十二

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值