IBM-小样本学习(Few-shot Learning)State of the art 方法及论文讲解

2019 年 4 月 15 日 专知
导读

IBM Research Lab in Haifa 的 Joseph Shtok 公开了一份关于小样本学习的tutorial,详细阐述了解决小样本学习任务的方法和最近的论文。在小样本学习框架中,一些学习任务,比如分类、检测,每个类别都只用了很少的样本,同时依赖于无关的大的离线数据集。

编译:Xiaowen

1
作者简介

Joseph Shtok

Researcher at IBM Research Lab in Haifa

在计算机视觉领域,我的两个主要专长领域是基于深度学习的目标识别算法,以及目标和场景的三维姿态检测和跟踪算法。前者代表着人工智能领域的大门,后者则是增强现实应用的算法核心。


2
Tutorial


【小样本学习方法及论文讲解PPT便捷下载】

请关注专知公众号(点击上方蓝色专知关注

  • 后台回复“IBM小样本学习”就可以获取《小样本学习state of the art》的PPT下载链接~



问题陈述:

给定任务


问题陈述:

分类问题


问题陈述:

检测问题


问题陈述:

回归问题


为什么要进行小样本学习?

1. 让深度学习更接近真实世界案例


2. 它涉及到一系列令人兴奋的尖端技术

小样本学习


元学习

循环元学习器


优化器



度量学习






样本合成


分类任务的合成器优化



更多增强方法


生成式对抗网络增强


作者的观点


-END-

专 · 知

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎登录www.zhuanzhi.ai,注册登录专知,获取更多AI知识资料!

欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询!

请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询技术商务合作~

专知《深度学习:算法到实战》课程全部完成!530+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!

点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程

登录查看更多
105

相关内容

小样本学习(Few-Shot Learning,以下简称 FSL )用于解决当可用的数据量比较少时,如何提升神经网络的性能。在 FSL 中,经常用到的一类方法被称为 Meta-learning。和普通的神经网络的训练方法一样,Meta-learning 也包含训练过程和测试过程,但是它的训练过程被称作 Meta-training 和 Meta-testing。
元学习(meta learning) 最新进展综述论文
专知会员服务
278+阅读 · 2020年5月8日
基于小样本学习的图像分类技术综述
专知会员服务
148+阅读 · 2020年5月6日
最新《生成式对抗网络GAN进展》论文
专知
95+阅读 · 2019年4月5日
Arxiv
6+阅读 · 2019年7月29日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
13+阅读 · 2019年1月26日
Learning Embedding Adaptation for Few-Shot Learning
Arxiv
16+阅读 · 2018年12月10日
Meta-Transfer Learning for Few-Shot Learning
Arxiv
8+阅读 · 2018年12月6日
Arxiv
136+阅读 · 2018年10月8日
Arxiv
11+阅读 · 2018年7月8日
Arxiv
5+阅读 · 2017年10月27日
VIP会员
相关论文
Arxiv
6+阅读 · 2019年7月29日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
13+阅读 · 2019年1月26日
Learning Embedding Adaptation for Few-Shot Learning
Arxiv
16+阅读 · 2018年12月10日
Meta-Transfer Learning for Few-Shot Learning
Arxiv
8+阅读 · 2018年12月6日
Arxiv
136+阅读 · 2018年10月8日
Arxiv
11+阅读 · 2018年7月8日
Arxiv
5+阅读 · 2017年10月27日
Top
微信扫码咨询专知VIP会员