元转移学习，少量学习 该存储库包含针对论文的TensorFlow和PyTorch实现，作者孙倩*，*，（ ）和（ （* =相等贡献）。 如果您对此存储库或相关文章有任何疑问，请随时或。 检查快照分类排行榜。 概括 介绍 入门 数据集 表现 引文 致谢 介绍 已经提出将元学习作为解决具有挑战性的一次性学习设置的框架。 关键思想是利用大量类似的少量任务，以学习如何使基础学习者适应新的任务，对于该新任务，只有少量标记的样本可用。 由于深度神经网络（DNN）仅仅使用少数几个样本就趋于过拟合，因此元学习通常使用浅层神经网络（SNN），因此限制了其有效性。 在本文中，我们提出了一种称为元转移学习（MTL）的新颖的少拍学习方法，该方法可以学习将深度神经网络适应于少拍学习任务。 具体来说，meta是指训练多个任务，并且通过学习每个任务的DNN权重的缩放和移位功能来实现传递。 我们在两个具有挑

提出了一种新的自支持匹配策略来缓解这一问题，该策略使用查询原型来匹配查询特征，其中查询原型是从高置信度查询预测中收集的。该策略可以有效地捕获查询对象的一致底层特征，从而匹配查询特征。我们还提出了自适应自支持背景原型生成模块和自支持损失，以进一步促进自支持匹配过程。我们的自支持网络大大提高了原型质量，受益于更强的主干和更多支持，并在多个数据集上实现了SOTA。

提出了一种新的、直截了当的见解来缓解这个问题。具体来说，我们在传统的FSS模型（meta learner）上应用了一个额外的分支（基本学习者），以明确识别基本类，即不需要分割的区域。然后，将这两个学习器并行输出的粗略结果进行自适应集成，以获得精确的分割预测。考虑到元学习者的敏感性，我们进一步引入调整因子来估计输入图像对之间的场景差异，以便于模型集成预测。PASCAL-5i和 COCO-20i验证性能大幅提升，令人惊讶的是，我们的多功能方案即使有两个普通的学习者，也创造了最先进的水平。此外，鉴于所提出方法的独特性，我们还将其扩展到更现实但更具挑战性的环境，即广义FSS，其中需要确定基类和新类的像素。

提出了一种简单而有效的自我引导学习方法，即挖掘丢失的关键信息。具体来说，通过对标注的支持图像进行初始预测，将覆盖和未覆盖的前景区域分别用掩码GAP编码为主支持向量和辅助支持向量。通过主支持向量和辅助支持向量的融合，对查询图像获得了较好的分割性能。在我们的1 shot 分割自我引导模块的启发下，我们提出了一个多次分割的交叉引导模块，其中最终混合使用来自多个带注释的样本的预测，高质量的支持向量贡献更多，反之亦然。该模块改进了推理阶段的最终预测，无需再训练。大量实验表明，我们的方法在pascal -5i和coco -20i数据集上都实现了新的最先进的性能。

一种新的联合训练框架：传统框架+额外的挖掘分支。 挖掘潜在的新类，并在背景和前景类别上引入了一种新的校正技术。 利用额外的未标记数据进行进一步的特征增强

omniglot数据集官方整理完整版

少量物体检测（FsDet） FsDet包含ICML 2020论文《令人中的官方几次物体检测实现。 除了以前的作品所使用的基准，我们还在三个数据集上引入了新的基准：PASCAL VOC，COCO和LVIS。我们对多组实验的多次抽样训练样本进行了多组采样，并报告了基础班和新颖班的评估结果。这些在“中有更详细的描述。 我们还为我们的两阶段微调方法（TFA）提供了基准测试结果和经过预训练的模型。在TFA中，我们首先在数据丰富的基类上训练整个对象检测器，然后仅在小的平衡训练集上微调检测器的最后一层。见为我们提供的模型和的培训和评估指导。 FsDet的模块化程度很高，因此您可以轻松添加自己的数据集和模型。该存储库的目标是为检测少量物体提供一个通用框架，该框架可用于将来的研究。 如果您发现此存储库对您的出版物有用，请考虑引用我们的论文。 @article{wang2020few, tit

少量物体检测 （ECCV 2020）PyTorch实施的论文“野外物体的少量目标检测和视点估计” 如果我们的项目对您的研究有所帮助，请考虑引用： @INPROCEEDINGS{Xiao2020FSDetView, author = {Yang Xiao and Renaud Marlet}, title = {Few-Shot Object Detection and Viewpoint Estimation for Objects in the Wild}, booktitle = {European Conference on Computer Vision (ECCV)}, year = {2020}} 变更日志 [2020年12月15日]在download_models.sh中download_models.sh的CO

Few-Shot Classification with Feature Map Reconstruction Networks 特征可视化

BOML-用于元学习的Python双层优化库 BOML是一个模块化的优化库，它将几种ML算法统一为一个通用的双层优化框架。它提供了用于实现流行的双层优化算法的接口，因此您可以快速构建自己的元学习神经网络并测试其性能。 ReadMe.md包含简短介绍，以在少数镜头分类字段中实现基于元初始化和基于元功能的方法。除已提出的算法外，还可以使用较低级别策略和较高级别策略的各种组合。 元学习 当通过学习具有良好泛化能力的初始化来面对传入的新任务时，元学习效果很好。它甚至在提供少量培训数据的情况下也具有良好的性能，从而催生了针对不同应用的各种解决方案，例如少发性学习问题。 我们提出了一个通用的双层优化范例，以统一不同类型的元学习方法，其数学形式可以总结如下： 通用优化例程 在这里，我们在图中说明了一般的优化过程和分层构建的策略，可以在以下示例中快速实现它们。 文献资料 有关基本功能和构建过程的更多详