greenwoodp的博客

一个简单而有效的方法 大规模数据集上的预训练+小规模Few Shot Learning上的微调 其中预训练部分构造大约如此 这里构造一个简单的例子： 在分类的时候就要把Query中的特征向量与上述u1,u2,u3做对比 做预测的时候采用这样的方法 Fine-Tuning部分 为何要做Fine-Tuning？因为可以提高得分鸭 整体过程 ...

数据集划分 一个简单的Siamese network可以如下 这样就可以对一个Query 来分别对比support set 中的每个图片计算sim的值 而对于孪生网络的训练过程 首先选择一个图片作为anchor(锚点)，然后记录下这个anchor ，再在这个anchor所在类中随机抽取一个样本共同构成正样本，然后在非anchor所在类中的其他类中随机抽取一个样本构成负样本 将anchor、正样本和负样本分别输入同一个神经网络，计算特征之间的距离 所以在这里希望正样本的d更小而负样本的d更大

基础理解 Support Set： 比较小的训练数据集-具有很少的类和很少的类中数据，其与train set 的区别在于：train set更大，而Support Set则不足以让网络学习到每一类的具体划分，而是学会区分其间的异同 Few-shot learning的目标是让机器自己学会学习 比如这里面有很多不同的动物，传统的分类就是通过大量的训练网路来让网路认识某张图片是属于哪一类，Meta-Learning则不同，其更注重于判断事物的异同，就好比兔子的图片中，模型经过了上面大量的学习后，并不知道这个是