【导读】小样本学习是一类重要的机器学习方法,旨在解决数据缺少的情况下如何训练模型的问题。在CVPR2020的Tutorial,来自valeo.ai的学者给了Spyros Gidaris关于小样本学习的最新教程报告。

在过去的几年里,基于深度学习的方法在图像理解问题上取得了令人印象深刻的效果,如图像分类、目标检测或语义分割。然而,真实字计算机视觉应用程序通常需要模型能够(a)通过很少的注释例子学习,(b)不断适应新的数据而不忘记之前的知识。不幸的是,经典的监督深度学习方法在设计时并没有考虑到这些需求。因此,计算机视觉的下一个重大挑战是开发能够解决这方面现有方法的重要缺陷的学习方法。本教程将介绍实现这一目标的可能方法。小样本学习(FSL)利用先验知识,可以快速地泛化到只包含少量有监督信息的样本的新任务中。

https://annotation-efficient-learning.github.io/

目录内容:

  • 概述
  • 小样本学习种类
  • 度量学习
  • 带记忆模块的元学习
  • 基于优化的元学习
  • 学习预测模型参数
  • 无遗忘小样本学习
  • 结论

成为VIP会员查看完整内容
216

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。
【ACL2020】多模态信息抽取,365页ppt
专知会员服务
113+阅读 · 2020年7月6日
元学习(meta learning) 最新进展综述论文
专知会员服务
241+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
130+阅读 · 2020年5月6日
【EMNLP2019教程】端到端学习对话人工智能,附237页PPT下载
专知会员服务
59+阅读 · 2019年11月25日
零样本图像分类综述 : 十年进展
专知会员服务
104+阅读 · 2019年11月16日
ICML2019《元学习》教程与必读论文列表
专知
38+阅读 · 2019年6月16日
Meta-Learning 元学习:学会快速学习
极市平台
70+阅读 · 2018年12月19日
【领域报告】小样本学习年度进展|VALSE2018
深度学习大讲堂
25+阅读 · 2018年6月14日
AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning
Arxiv
10+阅读 · 2020年2月6日
Arxiv
12+阅读 · 2019年11月26日
Few-shot Learning: A Survey
Arxiv
347+阅读 · 2019年4月10日
Arxiv
122+阅读 · 2018年10月8日
Meta-Learning with Latent Embedding Optimization
Arxiv
6+阅读 · 2018年7月16日
Arxiv
5+阅读 · 2017年10月27日
VIP会员
相关VIP内容
【ACL2020】多模态信息抽取,365页ppt
专知会员服务
113+阅读 · 2020年7月6日
元学习(meta learning) 最新进展综述论文
专知会员服务
241+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
130+阅读 · 2020年5月6日
【EMNLP2019教程】端到端学习对话人工智能,附237页PPT下载
专知会员服务
59+阅读 · 2019年11月25日
零样本图像分类综述 : 十年进展
专知会员服务
104+阅读 · 2019年11月16日
相关论文
AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning
Arxiv
10+阅读 · 2020年2月6日
Arxiv
12+阅读 · 2019年11月26日
Few-shot Learning: A Survey
Arxiv
347+阅读 · 2019年4月10日
Arxiv
122+阅读 · 2018年10月8日
Meta-Learning with Latent Embedding Optimization
Arxiv
6+阅读 · 2018年7月16日
Arxiv
5+阅读 · 2017年10月27日
微信扫码咨询专知VIP会员