Free Lunch for Few-Shot Learning: Distribution Calibration（ICLR 2021）

最新推荐文章于 2023-02-13 16:06:08 发布
转载 最新推荐文章于 2023-02-13 16:06:08 发布 · 1.1k 阅读 · 6 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/qq_39685733/article/details/113617424

本文为ICLR2021论文《FreeLunchforFew-ShotLearning:DistributionCalibration》的笔记,介绍了如何通过分布校准来提升小样本学习的效果。

论文笔记 FSL 7】Free Lunch for Few-Shot Learning: Distribution Calibration（ICLR 2021）

 

下载地址 | 论文源码

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

Free Lunch for Few-shot learning：Distribution Calibration（ICLR 2021）详解
Lil Wing
02-07 1907
本文是个人在看完论文后做的PPT汇报。        大家好，我今天讲的论文是Free Lunch for Few-shot Learning：Distribution Calibration，发表在ICLR，还拿到了Oral。作者是悉尼科技大学的杨朔、刘璐等。这篇文章主要做的是Few-shot Learning，少样本学习，然后作者提出的方法是这个Distribution Calibration，分布矫正。   
论文解读：FREE LUNCH FOR FEW-SHOT LEARNING: DISTRIBUTION CALIBRATION
weixin_50917576的博客
04-16 1564
从有限数量的样本中学习是具有挑战性的，因为学习到的模型很容易因为只有少数训练样本形成的有偏分布而变得过拟合。在本文中，我们通过从具有足够样本的类中转移统计量来校准这些少数样本类的分布。然后可以从校准分布中抽取足够数量的样本来扩展分类器的输入。我们假设特征表示中的每个维度都遵循高斯分布，因此分布的均值和方差可以借鉴类似类的均值和方差，这些类的统计量可以通过足够数量的样本得到更好的估计。我们的方法可以建立在现成的预训练特征提取器和分类模型之上，而不需要额外的参数。
Few_Shot_Distribution_Calibration:[ICLR2021口头]少量学习的免费午餐
03-31
[ICLR2021口头]少量学习的免费午餐：分布校准 论文链接： : 智虎链接： ://zhuanlan.zhihu.com/p/344531704 骨干培训 我们使用与“ S2M2_R”相同的骨干网和培训策略。 请参阅进行骨干训练。 提取并保存功能 将主干训练为“ S2M2_R”后，提取以下特征： 创建一个空的“检查点”目录。 跑步： python save_plk.py --dataset [miniImagenet/CUB] 或者，您可以从链接中直接下载提取的特征/预训练模型： 下载解压缩的功能后，请根据代码调整文件路径。 评估我们的分配校准 要评估我们的分配校准方法，请运行： python evaluate_DC.py 引文 如果我们的论文对您的研究有用，请引用我们的论文： @inproceedings{ yang2021free, title={Free Lu
少样本学习原理快速入门，并翻译《Free Lunch for Few-Shot Learning: Distribution Calibration》
不精，不诚，不足以动人
01-19 5983
ICLR2021 Oral《Free Lunch for Few-Shot Learning: Distribution Calibration》 原论文：https://openreview.net/forum?id=JWOiYxMG92s 源码：https://github.com/ShuoYang-1998/ICLR2021-Oral_Distribution_Calibration 摘要 从有限数量的样本中学习是具有挑战性的，因为只有少数训练样本形成的偏倚分布，模型很容易过拟合。在本文中，我
【论文解析】 ICRL2021：FREE LUNCH FOR FEW-SHOT LEARNING: DISTRIBUTION CALIBRATION
Joselynzhao
05-11 1465
文章目录1 Introduction2 Related Works3 Main approach3.1 Problem Definition3.2 Distribution calibration3.2.1 STATISTICS OF THE BASE CLASSES3.2.2 CALIBRATING STATISTICS OF THE NOVEL CLASSESTukey’s Ladder of Powers TransformationCalibration through statistics tra
《GDC — Generalized Distribution Calibration for Few-Shot Learning》FSL论文笔记(属于data augmentation)
weixin_53356651的博客
02-13 614
2.提出了广义抽样方法(generalized sampling method)——GDC(generalized distribution calibration)3.使用到了协方差收缩(covariance shrinkage)，来预防由于过度参数化特征或小规模数据集而引起的奇异协方差(singular variance)4.不同于DC，GDC在训练数据集中样本类差异值较大（相似度较小）的情况下也表现的很好5.在常见few-shot数据集进行了实验，在跨域数据集也进行了实验。
Prototypical Networks for Few-shot Learning.（用于少样本分类的原型网络）
CaoChengtai的博客
06-18 7338
** Prototypical Networks for Few-shot Learning.（用于少样本分类的原型网络） ** 摘要 文章提出了一种用于少样本分类的原型网络，其中分类器必须可以推广（泛化）到在训练集里面没有见过的新的类别，并且每个新的类别只有很少一部分样本。原型网络学习一个度量空间，执行分类只需要简单的计算到每个类的原型表示的距离。与其他方法的主要一点不同是原型网络反映了一种在数...
【论文笔记 FSL 7】Free Lunch for Few-Shot Learning: Distribution Calibration（ICLR 2021）
星雷的博客
02-03 1746
【论文笔记 FSL 6】Instance Credibility Inference for Few-Shot Learning（CVPR2020） [下载地址](https : //openreview.net/forum?id=JWOiYxMG92s) | 论文源码
ICLR 2021《FREE LUNCH FOR FEW-SHOT LEARNING: DISTRIBUTION CALIBRATION》
weixin_53356651的博客
01-11 320
直接放相关链接
半监督之数据增强
爱吃火锅的博客
01-28 5557
前言 有许多场景，我们只有少量样本，而训练网络模型时是需要吃大量数据的，一种方法就是迁移学习，比如预训练模型等方法，但是这里我们从另外一个角度来看看，那就是数据增强，关于数据增强方法已有很多，这里说说一些常见的方法，尤其是最新的(当前时间是2021.1.28)一些方法。 传统常见的 比如对于文本数据来说，最容易的就是shuffle, drop, 同义词替换，回译，随机插入，等等，这些都是一些最基本的方法，依据token 在本身上面做些扰动改变来数据增加，更多的可以看一下nlpcda这个python包
如何提高少样本学习的泛化能力
sangba2019的博客
05-24 536
链接：Free Lunch for Few-shot Learning: Distribution Calibration | OpenReview https://openreview.net/pdf?id=JWOiYxMG92s 代码： https://github.com/ShuoYang-1998/ICLR2021-Oral_Distribution_Calibration
9行代码提高少样本学习泛化能力! ICLR2021 Oral，代码已开源
我爱计算机视觉
01-15 1124
本文转载自知乎，已获作者授权转载。链接：https://zhuanlan.zhihu.com/p/344531704介绍一篇我们刚刚发表在ICLR2021 Oral上的一篇少样本学习工作...
few-shot learning——图神经网络专题
阿文
07-03 7403
papers:Few-Shot Learning with Graph Neural Networks code: https://github.com/vgsatorras/few-shot-gnn Few-shot learning: few-shot的训练集包含很多类别，每个类别有多个样本，在训练阶段...
论文阅读笔记《Distribution Consistency Based Covariance Metric Networks for Few-Shot Learning》
深视
10-08 2613
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（CovaMNet），其从二阶统计量（协方差）的角度出发，通过构建各个样本的特征向量之间的协方差矩阵实现类别表征与距离度量。该算法的实现过程如下图所示 如图所示，查询集和支持集样本分别经过CNN提取特征，得到对应的特征图Xi∈Rh×w×dX_i\in \mathbb{R}^{h\times w\times d}Xi​∈Rh×w×d，然后计算同一类别下每个样本特征图之间的协方差矩阵Σc\Sigma_cΣ
国家自然科学基金项目数据分析与可视化工具_国家自然科学基金项目数据科研项目分析资助趋势统计学科领域分布项目负责人信息经费使用情况成果产出评估国际合作研究青年科学基金.zip
12-01
国家自然科学基金项目数据分析与可视化工具_国家自然科学基金项目数据科研项目分析资助趋势统计学科领域分布项目负责人信息经费使用情况成果产出评估国际合作研究青年科学基金.zip
JouChin_TurbineMarineProject_44300_1764554191333.zip
最新发布
12-01
JouChin_TurbineMarineProject_44300_1764554191333.zip
【太阳能电池系统与逆变器】太阳能电池的电压输出被储存在电池中，同时直流电压通过五级逆变器转换为交流电（Simulink仿真实现）
12-01
【太阳能电池系统与逆变器】太阳能电池的电压输出被储存在电池中，同时直流电压通过五级逆变器转换为交流电（Simulink仿真实现）内容概要：本文档围绕太阳能电池系统与逆变器展开，重点介绍了一个基于Simulink的仿真模型，其中太阳能电池产生的直流电压被储存于电池中，并通过五级逆变器转换为交流电。该系统仿真涵盖了光伏发电、储能管理和电力电子变换的核心环节，突出了多级逆变器在提升电能质量和转换效率方面的优势。文中详细描述了系统结构、工作原理及Simulink建模过程，有助于理解可再生能源系统的能量转换与控制策略。; 适合人群：具备一定电力电子、自动控制或新能源系统基础知识的高校学生、研究人员及工程技术人员。; 使用场景及目标：①用于教学演示太阳能发电系统的能量流动与转换过程；②支持科研中对多级逆变器拓扑结构的性能分析与优化设计；③为微电网、分布式能源系统中的储能与并网控制提供仿真基础。; 阅读建议：建议结合Simulink软件实际操作，深入理解模型各模块的功能与参数设置，并可通过修改逆变器级数或控制策略进行拓展性实验，以增强对系统动态响应和稳定性的认识。
【智能车竞赛】多模态感知与控制技术融合：基于全国大学生智能汽车竞赛的工程实践与产业落地应用研究
12-01
内容概要：本文全面解析了全国大学生智能汽车竞赛的赛事定位、赛制安排与竞赛类别，并通过武汉大学、成都理工大学等高校的经典参赛案例，深入剖析了智能车在视觉识别、机械结构设计、算法优化等方面的创新实践。文章进一步梳理了智能车开发的核心技术体系，涵盖感知层的多传感器融合与视觉AI部署、决策控制中的路径规划与运动控制策略，以及软硬件平台的协同架构。最后，基于竞赛技术延伸出智能物流分拣车、越野巡检机器人、多模态智能识别平台等实际应用项目，展示了从赛事到产业落地的技术转化路径。; 适合人群：具备一定电子、控制、计算机或机械基础的高校学生及指导教师，尤其适合参与智能车竞赛或工程实践项目的1-3年经验研发人员； 使用场景及目标：①了解智能车竞赛的整体架构与备赛策略；②掌握视觉识别、多传感器融合、运动控制等关键技术的设计与实现方法；③探索竞赛成果向智能物流、无人巡检、安防识别等领域的产业化应用； 阅读建议：建议结合具体案例与技术模块进行系统学习，重点关注技术突破背后的创新思维与跨学科整合方法，同时可参考文中项目实践开展原型开发与成果转化。
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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