Few-shot Learning

最新推荐文章于 2025-12-16 16:32:45 发布
原创 最新推荐文章于 2025-12-16 16:32:45 发布 · 247 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #自动驾驶 #机器学习

本文整理了小样本学习和元学习领域的经典论文，包括MAML、ProtoNet和DeepEMD等方法。这些算法在面对有限训练样本的情况下，通过高效学习策略提升模型泛化能力，对于解决现实世界中数据稀缺问题具有重要意义。
计算机视觉：少样本学习（Few-Shot Learning）在视觉中的应用
优快云博客专家，系统架构师，有合作、疑惑请私信博主。
06-04 4万+
计算机视觉：少样本学习（Few-Shot Learning）在视觉中的应用 ，人工智能，计算机视觉，大模型，AI，少样本学习（Few-Shot Learning, FSL）应运而生，其目标是利用极少量的标注样本训练模型，使模型能够对新的样本进行准确分类或预测。这一技术模拟人类从少量示例中快速学习并泛化到新情况的能力，为解决数据稀缺问题提供了有效的途径，在计算机视觉领域展现出巨大的潜力和应用价值。
基于Few-shot Learning的冷启动意图识别方案
AI天才研究院
06-12 1234
在很多与自然语言处理相关的应用中，比如智能客服、语音助手等，准确识别用户的意图是非常关键的。然而，当一个新的系统上线或者面对一些新的业务场景时，往往没有足够多的标注数据来训练一个高精度的意图识别模型，这就是所谓的冷启动问题。本文的目的就是介绍如何利用Few-shot Learning技术来解决冷启动意图识别的难题，范围涵盖了从核心概念的解释到实际项目的应用。本文首先会介绍一些相关的术语和概念，让大家有一个基础的认识。
基于Few-shot Learning的搜索语义理解
专注搜索引擎技术
06-07 939
本文将围绕"如何用Few-shot Learning提升搜索语义理解能力"展开，覆盖从核心概念到技术原理、从实战案例到未来趋势的全链路讲解。特别适合希望理解前沿搜索技术的开发者、对机器学习应用感兴趣的学生，以及需要优化搜索系统的产品经理。我们将从"生活中的搜索痛点"引入，用"学新单词"的类比解释Few-shot Learning，再用"翻译官"的故事说明搜索语义理解的本质。接着拆解两者的技术结合点，通过代码实战演示如何用Few-shot模型处理"新搜索意图"，最后展望这项技术将如何改变未来的搜索体验。
Zero-Shot Learning、Few-Shot Learning
weixin_44012667的博客
04-10 825
识别训练数据中未出现过的物体（例如，已知“斑马”和“老虎”，预测“长颈鹿”）。：利用已知类别与未知类别之间的语义关联（如属性、文本描述、词向量等）进行推理。：将输入数据（如图像）和类别标签映射到同一个语义空间，通过相似度匹配进行预测。：如元学习结合语义嵌入，同时解决零样本和少样本问题（如Meta-ZSL）。（如语义描述、属性、文本嵌入等）建立已知类别与未知类别之间的联系。：训练模型掌握“如何学习”，使其能通过少量样本快速适应新任务。：外部信息（如文本）与输入特征（如图像）之间的对齐困难。
Few-Shot Learning
Harris-H的博客
09-16 1595
Few-Shot Learning
​Zero-shot 、One-shot 、Few-shot Learning​
2301_81323948的博客
10-20 983
利用训练集数据训练模型，使得模型能够对测试集的对象进行分类，但是训练集类别和测试集类别之间没有交集；期间需要借助类别的描述，来建立训练集和测试集之间的联系，从而使得模型有效。Zero-shot learning 就是希望我们的模型能够对其从没见过的类别进行分类，让机器具有推理能力，实现真正的智能。其中零次（Zero-shot）是指对于要分类的类别对象，一次也不学习。
Few-shot learning
sophicchen的专栏
04-07 1190
1. 前言 Few-shot Learning顾名思义就是用很少的样本去做分类或者回归。举个简单的例子：假如现在有一个Support Set只有四张图片，前两张是犰狳（读音：qiú yú），又称“铠鼠”。后面两张是穿山甲，不用在乎太在意是否认识这两种动物，只需要区分这两种动物就行了，从现在开始观察10s，下面有一张测试图。 那么接下来进入测试环节：下面这张图是犰狳还是穿山甲呢？如果不能正常分类，那你基本就告别手表了！看过上面四张图片正常人都能做出正常判断，那么计算机是否能正确分类呢？如果每个训练集只
Few-Shot Learning and Meta Learning
学习记录，厚积薄发
09-11 1128
介绍了Few-Shot Learning（小样本学习）与Meta-Learning（元学习）的概念、方法及应用。
Easy Few-Shot Learning 使用指南
gitblog_00668的博客
09-24 691
--- ## 1. 项目介绍 **Easy Few-Shot Learning** 是一个旨在简化少样本学习（Few-Shot Learning）入门过程的开源库，特别适合于那些新接触这一领域的开发者或者寻找清晰、易用代码来实施自己项目的专家。它涵盖了广泛的现成方法，提供详尽的教程笔记本，确保每行代码都有相应教程解释。EasyFSL目前是少样本学习领域中最全面的开源库之一，支持11种内置方法，...
精选资源
Adaptive Subspaces for Few-Shot Learning.pdf
10-19
论文作者提供了代码实现，位于 GitHub 仓库 https://github.com/chrysts/dsn_fewshot 中。该仓库包含了 Adaptive Subspaces 框架的实现代码，可以帮助研究者快速实现 Few-Shot Learning。 结论 论文 "Adaptive ...
Pareto Self-Supervised Training for Few-Shot Learning.pdf
11-17
在机器学习领域，小样本学习（Few-Shot Learning, FSL）是一个重要的研究方向，它致力于在极少量标记数据的情况下让模型快速泛化到新概念。然而，由于数据稀疏，传统的深度学习方法在此场景下往往表现不佳。为了解决...
Few-Shot Learning with Representative Global Prototype
11-27
few-shot学习是一种旨在解决传统深度学习方法需要大量数据训练的问题的技术，它关注的是如何使模型能够通过少量样本就对新类别进行有效学习。在few-shot学习中，模型通常假设新类别和基础类别的数据分布是相似的，但...
【文献阅读】DP-Site：一种基于双重深度学习的蛋白质-肽相互作用位点预测方法
weixin_42038527的博客
12-16 462
研究团队开发了一款名为DP-Site的AI工具，仅需分析蛋白质的氨基酸序列（“设计图”），就能精准锁定小分子药物的潜在“靶点”。DP-Site的核心创新在于其 “双专家会诊”模式。一位是“图像专家”，擅长分析序列的局部结构特征；另一位是“语义专家”，擅长理解序列的全局上下文信息。两者协同工作，使其预测综合性能（F1分数）达到0.661，超越此前所有方法。
基于知识图谱+深度学习的大数据NLP医疗知识问答可视化系统（全网最详细讲解及源码/建议收藏）
未来社会二十年发展的核心技术趋势由ABCD四个字母组成，分别是AI（人工智能）、BlockChain（区块链）、Cloud（云）、和Data（大数据）每一次进步都有新的认知和感触
12-15 933
本文详细介绍了一个基于知识图谱与深度学习的医疗问答系统。系统采用Neo4j存储医疗知识图谱，使用Aho-Corasick算法进行高效多模式匹配，并整合了BERT+LSTM+CRF深度学习模型。实现流程包括数据爬取、清洗、实体识别、知识图谱建模等步骤，最终构建了一个具有可视化界面的Flask应用。系统支持自然语言问答，能自动存储交互记录到SQL数据库。文章还详细说明了所需的软件环境配置（JDK1.8、Neo4j4.4.5等）和项目目录结构，为开发者提供了完整的实现方案和技术细节。
基于深度学习的肾结石检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
最新发布
ningfoshao8678的博客
12-16 671
本文介绍了基于YOLO目标检测算法开发的肾结石检测系统。该系统支持图片、视频、文件夹批量及摄像头实时检测，包含用户登录、多模型切换等功能。技术栈采用Python3.10、PyQt5和SQLite，对比了YOLOv5/v8/v11/v12四种模型性能，其中YOLO12n精度最高(mAP40.6%)，YOLO11n速度最快(56.1ms)。系统在17000张肾脏影像数据集上训练，mAP@0.5达90%，F1值0.86，能有效识别肾结石位置并显示置信度。
深度学习理论与实战：反向传播、参数初始化与优化算法全解析
2501_92613722的博客
12-16 652
深度学习训练核心闭环：精准算梯度、合理初始化参数、高效更参数 反向传播：链式求导为基，从损失反向回溯算梯度，附 Sigmoid 实例 参数初始化：讲手动 / 经典方法，Module 初始化技巧与核心原则、选择 优化算法：SGD 为基，动量法 / Adagrad/RMSProp/Adadelta/Adam 解析与对比 核心总结：反向传播、初始化、优化算法要点及训练细节
深度学习中 z-score 标准化理解
musk1212的博客
12-11 1126
摘要： z-score标准化是深度学习中关键的数据预处理方法，通过将数据转换为均值为0、标准差为1的分布，有效提升模型训练效率并消除特征量纲差异。其核心公式为z=(x-μ)/σ，适用于加速收敛、平衡多特征权重及异常值检测等场景。与Min-Max归一化相比，z-score对异常值更鲁棒，是神经网络训练的首选方法。需注意避免数据泄露问题（测试集必须使用训练集的μ和σ），并处理标准差为0的特殊情况。批量归一化(BatchNorm)是z-score的动态扩展版本。
RNN（循环神经网络）原理
weixin_45776000的博客
12-12 490
RNN的突破：引入"记忆"概念，让网络可以记住之前的信息来处理当前输入。无法建模时间依赖：比如语言中"我今天吃了__"的预测需要前面信息。无记忆性：每个输入独立处理，忽略序列中元素的时间/顺序关系。关键：所有时间步共享相同的权重参数 W, U, V。主要问题：梯度消失/爆炸，通过LSTM/GRU缓解。W: 隐藏状态权重 (h_t-1 → h_t)应用场景：NLP、时间序列、语音识别等序列任务。输入：序列 → 编码 → 解码 → 输出序列。U: 输入权重 (x_t → h_t)
评论
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