学习视觉相似度对于各种视觉任务至关重要，如图像聚类、人脸检测或图像检索，从而为日常应用奠定基础，如智能手机上的图像集合的智能排列、浏览器中的网络规模的图像搜索或在线购物时推荐产品。今天，学习捕捉相似度的视觉表示的主要方法是深度度量学习，它专门针对从新颖的、看不见的类中检索对象和图像。此外，相似性学习与对比学习密切相关，对比学习是自监督学习的主导方法，分别是迁移学习。 在本教程中，我们将深入介绍深度度量学习(DML)的领先学习范式，以及如何实际评估其(超出分布)泛化的未来方向。具体来说，本教程将涵盖以下主题: (i) DML目标函数的概况，(ii)先进的和上下文相关的DML公式，(iii) DML中数据采样的重要性，(iv)公平和现实地评估DML方法的最佳实践，最后，(v)我们将DML与计算机视觉和模式识别的相关领域联系起来，如对比学习，少样本学习，迁移学习和人脸识别。

2012年以来，深度神经网络在计算机视觉、语音识别、自然语言处理、智慧 医疗等多个领域取得了优异的成果。这是卜数只偶，也是水到渠成。究其本质， 还是得益于三个基础的驱动，包括:大数据(充分标注)、大模型(参数量庞大) 和大计算(高性能计算)。正因为对这三个基础的严重依赖，也在一定程度上限 制了人工智能的进一步发展和普及。首先，大模型对大数据的过度依赖表现在其 在训练阶段必须在大量的标注充分的数据下训练，否则模型的准确率将大大降 低。很多新的应用场景的样本获取困难并且标注成本极高，因此不少学者开始 研究小样本学习方法，目的是当面对一个新的场景时，快速的从少量的有标记 样本中学会认识新的类别。其次，大模型对大计算的依赖表现在其无论在训练 和测试阶段均需要拥有大量存储空间和优异计算性能的硬件平台的加持。那么， 对于很多的存储和计算资源均极其有限的测试场景，比如移动端(智能手机，自 动驾驶汽车等)，离线监控设备(公共摄像头，汽车行车记录仪等)，现有的训练 好的大模型将会出现水土不服，无法顺利落地。于是，模型轻量化问题也被领域 内科研人员广泛关注。研究模型轻量化的目的是压缩模型参数量，使其在移动

基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 基于小样本学习的图像分类技术综述 ......

在对新类进行训练时，少样本学习(FSL)方法通常假设具有准确标记样本的干净支持集。这种假设通常是不现实的: 支持集，无论多小，仍然可能包括错误标记的样本。因此，对标签噪声的鲁棒性对于FSL方法的实用性是至关重要的，但令人惊讶的是，这个问题在很大程度上仍然没有被探索。为了解决FSL设置中标签错误的样品，我们做了一些技术贡献。(1)我们提供简单而有效的特征聚合方法，改进了ProtoNet(一种流行的FSL技术)所使用的原型。(2)我们描述了一种新的Transformer 模型用于有噪声的少样本学习(TraNFS)。TraNFS利用Transformer的注意力机制来权衡标签错误和正确的样本。(3)最后，我们在噪声版本的MiniImageNet和TieredImageNet上对这些方法进行了广泛的测试。我们的结果表明，在干净的支持集上，TraNFS与领先的FSL方法相当，但到目前为止，在存在标签噪声的情况下，TraNFS的性能优于FSL方法。

1.进行生成对抗网络或零样本学习的学术研究生； 2.想了解生成对抗网络或零样本学习应用现状，不知从何看起； 3.需要多看文献来了解GAN的使用和应用； 4.希望快速ZSL的结合点和应用情况，并寻找灵感；

今天给大家带来，深度学习 小样本问题探讨.pptx，里面对于相关知识讲解的十分清楚明白，相关方向的同学不要错过，一起来学习吧！

近年来，零样本学习（ZSL，zero-shot learning）已经在大量的任务中受到了广泛的关注。本文为大家带来了南洋理工大学的零样本学习最新综述，希望对大家有所帮助。 A Survey of Zero-Shot Learning: Settings, Methods, and Applications

针对弱监督机器学习方法，系统阐述了小样本学习、零样本学习、零—小样本学习的问题定义、当前主要方法以及主流实验设计，最后基于当前研究中出现的问题，对下一阶段研究方向进行了总结展望。

小样本学习基本数据集

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。