XL_Dylan-CSDN博客

原创 [小样本语义分割]Few-Shot Segmentation via Cycle-Consistent Transformer

基于循环一致Transformer的Few-Shot分割论文地址摘要Few Shot分割的目的是训练一种能够快速适应样本较少的新类别的分割模型。传统的训练范式是促使模型学习根据支持图像的特征对查询图像进行预测的能力。以前的方法通常只利用支持图像的语义级原型作为条件信息，但这些方法不能利用所有像素级支持信息来进行查询预测，而这对于分割任务通常是非常重要的。在本文中，我们着重于利用支持图像和查询图像之间的像素级关系来促进Few-Shot语义分割任务。我们设计了一个新颖的循环一致Transformer模块（

2021-06-30 10:54:56 3507 7

原创 [医学图像Transformer] Medical Transformer: Gated Axial-Attention for Medical Image Segmentation

医学图像Transformer：一种用于医学图像分割的门控轴向注意力网络论文地址开源代码摘要大多数现有的基于Transformer的网络架构用于视觉应用，但需要大规模数据集来正确训练。然而，与用于视觉应用的数据集相比，用于医学成像的数据样本数量相对较低，使得难以有效地训练用于医学应用的Transformer。为此，我们提出了一个门控轴向注意（Gated Axial-Attention）模型，该模型通过在自注意模块中引入额外的控制机制来扩展现有的体系结构。此外，为了在医学图像上有效地训练模型，我们提出

2021-06-29 15:51:00 3184 1

原创 [医学图像Transformer]TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation

TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation论文地址开源代码摘要传统U-Net通常在显式建模长期依赖（long-range dependency）方面表现出局限性。Transformers，设计用于序列到序列的预测，已经作为具有固有的全局自注意机制的替代架构出现，但由于低层次细节不足，可能导致有限的定位能力。在本文中，我们提出了具有Transformers和U-Net优点的TransUNet，作

2021-06-01 10:24:54 1229 1

原创 [医学图像分割]Recalibrating Fully Convolutional Networks withSpatial and Channel ‘Squeeze & Excitation’..

带有空间和通道“压缩-激励”块的全卷积校准网络（IEEE TRANSACTIONS ON MEDICAL IMAGING 2018）论文地址摘要F-CNNs的架构创新主要集中在改进空间编码或网络连通性以帮助梯度流动，而本文的目标是从另一个角度来解决问题，通过自适应地重校准学习到的特征映射来增强有意义的特征同时抑制不重要的特征。为此，我们引入了三种不同的用于分割的模块：（i）空间压缩和通道激励，（ii）沿通道压缩和空间激励，（iii）联合空间和通道压缩和激励。存在的问题及解决方案以往的工作旨在改进空

2021-05-09 10:05:19 818

原创 [小样本医学图像]Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation

利用解剖相关性模拟One-Shot推理的泛化器官分割模型（ IPMI 2021）摘要模仿学习是人类最重要的能力之一，在人类的计算神经系统中起着至关重要的作用。在医学图像分析中，给定几个样本(锚)，有经验的放射科医生有能力通过模仿从现有器官类型中学习到的推理过程来描绘不熟悉的器官。受此启发，我们提出了OrganNet，它从一组标注的器官类别中学习一个广义的器官概念，然后将这个概念转移到没见过的类别中。在本文中，我们证明了这种过程可以集成到One-Shot分割任务中。我们提出金字塔推理模块(PRMs)来建模

2021-05-04 17:12:46 1378 3

原创 [语义分割]CTNet: Context-based Tandem Network for Semantic Segmentation

基于上下文的语义分割串联网络论文地址摘要上下文信息已经被证明是语义分割中的强大线索。本工作提出了一种新型的基于上下文的串联网络(CTNet)，通过交互挖掘空间上下文信息和通道上下文信息，来发现用于语义分割的上下文语义。具体来说，空间上下文模块(SCM)过探索像素和类别之间的相关性来揭示像素之间的空间上下文相关性。同时引入通道上下文模块(CCM)，通过建模通道之间的长距离语义依赖关系来学习语义特征，包括语义特征映射和类特定特征。利用学习到的语义特征作为先验知识指导供应SCM的学习，使供SCM获得更准确的

2021-04-26 16:15:22 1674

原创 [医学小样本分割]Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative

基于判别嵌入的全局相关网络的Few-Shot医学图像分割论文地址摘要我们利用片段式(episodi)训练的深度卷积网络构造我们的Few-Shot图像分割器。基于医学图像的空间一致性和规律性，我们开发了一个高效的全局相关模块来捕获支持和查询图像之间的相关性，并将其纳入到全局相关网络中。此外，我们还提高了深度嵌入的可鉴别性，以促进同一类特征域的聚类，同时使不同器官的特征域保持较远的距离。存在的问题及解决方案医学图像Few-Shot分割虽然具有重要的应用潜力，但其研究还相对缺乏。医学图像的Few-Sho

2021-04-25 14:55:01 2804 12

原创医学图像中的atlas代表什么

“Atlas”一词通常指带有标签的地图，可以用来作为导航工具，以找到相对于其他店在一个地理区域内的位置。这些altas可以非常精确，提供地图上的点与实际位置之间的一一对应关系。因此，一个atlas可以概括为与一组结构相关的特定结构的一组描述符。在医学上，人体解剖学atlas是一个完全标记的人体图，可以通过它来找到特定的解剖区域或亚解剖区域。上图代表的就是医学图像分析中的Atlas。最上面一排从左到右代表的分别是：腹部3D CT扫描中手工标记的肾脏和肝脏，从单一图像中表示的肾脏和肝脏，以图的方式表达的

2021-04-24 15:15:15 4126

原创 [小样本医学图像分割]Data augmentation using learned transformations for one-shot medical image segmentation

使用学习转换方法的数据扩充one-shot医学图像分割（CVPR2019）论文地址开源代码摘要本文提出了一种自动数据扩充方法来合成有标记的医学图像。我们展示了这一方法在分割大脑核磁共振成像（MRI）上的表现，我们的方法只需要一次分段扫描，并且在半监督的方法中利用了其它未标记的扫描。我们从图像中学习转换模型，并使用该模型和标记的示例来合成其他标记的示例。每个变换都由空间变换和强度变换组成，能够合成复杂的效果，如解剖和图像采集程序的变化。目前存在的问题和方案在医学图像的采集过程中，不同机器和机构的

2021-04-24 10:16:40 1821

原创 [小样本图像分割]SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive Background Prototypes

SCNet:通过自我对比的背景原型增强Few-Shot语义分割论文地址摘要大多数先进小样本分割都利用了度量学习框架，该框架通过将每个像素与学习到的前景原型进行匹配来进行分割。然而，只使用前景原型会导致分类偏倚。为了解决这一问题，本文在Few-Shot语义分割中引入了一种互补的自对比任务。我们的新模型能够关联每一个区域上的原型，无论这个区域是属于前景还是背景。为此，我们直接从查询图像中生成自我对比的背景原型，利用该原型构建完整的样本对，从而实现互补和辅助的分割任务，以实现更好的分割模型的训练。存在的问

2021-04-20 19:30:27 1280

原创 [小样本医学图像]‘Squeeze & Excite’ Guided Few-Shot Segmentation of Volumetric Images

“挤压和刺激”引导的Few-shot体图像分割（Medical Image Analysis 2020）论文地址开源代码摘要我们提出了一种新颖的Few-Shot框架，用于只有少量注释切片的体医学图像分割。与其它计算机视觉工作相比，主要的挑战在于缺乏预先训练的网络和医学扫描的体性质。为了应对这些挑战，我们提出了一种包含“挤压&刺激”块的Few-Shot分割新架构。我们的双臂架构由包含一个条件分支，它处理带注释的支持输入并生成特定于任务的特征表示。这个表示被传递给使用这个信息来分割新的查询图像的

2021-04-20 15:22:12 1624

原创 [医学小样本分割]Self-supervision with Superpixels: Few-shot Medical Image Segmentation without Annotation

基于超像素的自监督:训练无注释的Few-Shot医学图像分割论文地址开源代码摘要Few-Shot语义分割(FSS)在医学影像领域具有广阔的应用前景。大多数现有的FSS技术都需要大量的注释语义类来进行训练。但由于缺乏标注，这些方法可能不适用于医学图像。为了解决这一问题，我们做出了以下几点贡献：(1)提出了一种新的自监督医学图像FSS框架，消除了训练过程中对标注的要求，生成基于超像素的伪标签进行监督；(2)将自适应局部原型池化模块插入原型网络，解决医学图像分割中常见的前景-背景不平衡问题；(3)我们证明

2021-04-19 09:19:36 4428 15

原创 [小样本图像分割]Deep Gaussian Processes for Few-Shot Segmentation

深度高斯过程的Few-Shot分割论文地址阅读本文需要一定的统计知识！摘要一种常见的小样本分割方法是用一个原型为每个类建模。虽然这些方法概念简单，但当目标外观分布在特征空间中是多模态或不是线性可分时，这些方法就会受到影响。为了解决这一问题，我们提出了一种基于高斯过程(GP)回归的few-shot学习公式。通过GP的表达能力，我们的方法能够对分布在深层特征空间上的复杂外观进行建模。GP提供了一种捕捉不确定性的原则性方法，这是CNN解码器获得的最终分割的另一个强大线索。我们进一步利用我们方法的端到端学

2021-04-17 20:22:41 1358 2

原创 [小样本图像分割]Hypercorrelation Squeeze for Few-Shot Segmenation

用于Few-Shot分割的超关联挤压论文地址开源代码摘要Few-Shot语义分割的目的是学习如何从查询图像中分割目标对象而只使用目标类的少量带注释的支持图像。这项具有挑战性的任务需要理解不同层次的视觉线索，并分析查询和支持图像之间的细粒度对应关系。为了解决这一问题，我们提出了利用多层次特征相关和高效四维卷积的超相关挤压网络(HSNet)。它从中间卷积层的不同层次中提取不同的特征，构建了一个4D相关张量集合，即超相关。该方法在金字塔结构中利用高效的中心四维卷积，以粗到细的方式逐步将高相关的高级语义和低

2021-04-16 17:00:00 2083 4

原创 [小样本分割]Few-Shot Segmentation Without Meta-Learning: A Good Transductive Inference Is All You Need?

没有元学习的Few-Shot分割:一个好的转导推理是你所需要的吗? （CVPR2021）本文的从构建推理过程入手，而非对网络结构进行设计，巧妙利用了转导推理实现了超高的性能！文章的方法部分全是数学推导，比较晦涩论文地址开源代码摘要我们表明，在Few-Shot分割任务中执行推理的方式对性能有实质性的影响——这是一个在元学习范式的文献中经常被忽视的方面。我们通过优化三个互补的新损失，利用其未标记像素的统计信息，为给定的查询图像引入一种转换推理：i）标记的支持像素的交叉熵；ii）未标记查询图像像素的后

2021-04-13 15:32:45 1511

原创 Windows下使用PyCharm连接远程服务器进行深度学习

很多Github项目，尤其是论文的开源代码大多都是在Linux下编写的，如果自己的电脑是Windows的话很不方便（Mac倒是基于Linux，可惜Mac无Cuda），容易出现各种奇怪的问题，所以如果有Linux服务器的话，还是尽量在Linux上跑代码。Pycharm只有专业版才有远程连接的功能，可以用学生邮箱注册免费使用，哪怕你不是学生只要搞个学生邮箱就行（.edu邮箱），目前只需要邮箱认证一下就行了，超级简单。申请地址：https://www.jetbrains.com/community/educa

2021-04-12 21:41:13 2237

原创 [小样本图像分割]CONDITIONAL NETWORKS FOR FEW-SHOT SEMANTIC SEGMENTATION

用于Few-Shot语义分割的条件网络（ICLR2018 WorkShop）本文作为一个WorkShop，主要是阐述了小样本分割对于稀疏标签的鲁棒性，说明使用稀疏标签来指导小样本分割也是可行的。论文地址摘要该网络通过对一个标注的图像支持集进行特征融合来对一个未标注的查询图像进行推理。一旦学会了，我们的条件方法就不需要进一步优化新的数据。注释在一次向前传递中是有条件的，使我们的方法适合交互式使用。我们通过密集和稀疏标注来评估我们的co-FCN，即使只给出一个正像素和一个负像素，也能达到具有竞争力的精度

2021-04-12 10:08:50 931

原创 [小样本图像分割]Few-Shot Semantic Segmentation with Prototype Learning

Few-Shot Semantic Segmentation with Prototype Learning（BMVC2018）本文是后面很多小样本图像分割的框架的基础，也就是使用原型进行密集匹配的思想。论文地址摘要语义分割为每个图像像素分配一个类标签。这种密集的预测问题需要大量的手动注释数据，而这些数据往往不可用。Few-Shot学习的目的是学习一个只有几个带标签样本的新类别。在本文中，我们将Few-Shot语义分割问题从one-way(一类)发展到n-way(n类)。受Few-Shot分类的启发

2021-04-11 21:44:52 2856

原创小样本语义分割论文及开源代码集合

主要是自然图像上的小样本分割，医学图像上的将另开一帖。本文持续更新中！One-Shot Learning for Semantic Segmentation（BMVC2017）开源代码CANet: Class-agnostic segmentation networks with iterative refinement and attentive few-shot learning（CVPR2019）开源代码Pyramid Graph Networks with Connection Atte

2021-04-10 11:01:06 2657

原创 [小样本图像分割]Adaptive Prototype Learning and Allocation for Few-Shot Segmentation

自适应原型学习和分配的Few-Shot分割（CVPR2021）论文地址开源代码摘要Few-Shot分割大多使用原型学习的思想，通常通过对全局对象信息的平均来从支持特征中获得单个原型。然而，使用单个原型来表示所有的信息可能会导致歧义。本文提出了超像素引导聚类(SGC)和引导原型分配(GPA)两个模块，用于多原型的提取和分配。具体来说，SGC是一种无参数、无训练的方法，它通过聚集相似的特征向量来提取更有代表性的原型，而GPA能够选择匹配的原型，提供更准确的指导。通过整合SGC和GPA，我们提出了自适应超

2021-04-09 15:13:04 2543 3

原创 [超像素] maskSLIC: Regional Superpixel Generation

maskSLIC:区域超像素生成论文地址开源代码超像素是一个在图像分割领域有重要作用的图像预处理步骤，目前常用的就是SLIC，大致原理可以参考博客SLIC超像素分割详解。简单来说超像素方法将图像分为有意义的局部子区域。这些方法在捕获局部相似性的同时，减少了图像的冗余，加快了处理速度，从而使复杂的区域关系分析更加可行。另一个好处是，这些方法超越了严格的像素结构，获得了对噪声和部分体积更稳健的表示。而maskSLIC是SLIC的一个扩展，在这篇论文里是用来做病理分割的，但实际上也可以用在自然图像里。

2021-04-09 09:54:36 1628 1

原创 [小样本图像分割]Part-aware Prototype Network for Few-shot Semantic Segmentation

面向Few-Shot语义分割的部分感知原型网络（ECCV2020）论文地址开源代码摘要现有的方法大多集中在one-way Few-Shot分割的限制性设置上，或者存在目标区域不完全覆盖的问题。本文提出了一种基于原型表示的Few-Shot语义分割框架。我们的关键思想是将整体的类表示分解为一组部分感知原型，能够捕获多样化和细粒度的对象特征。此外，我们提出利用未标记的数据来丰富我们的部分感知原型，从而更好地建模语义对象的类内变量。我们开发了一个新的图神经网络模型，以生成和增强提出的基于标记和未标记图像的部

2021-04-08 16:19:54 1636

原创 [小样本图像分割]Mining Latent Classes for Few-shot Segmentation

挖掘潜在类以实现Few-Shot分割论文地址这篇文章读起来有点抽象，还是以原文为主。摘要Few-Shot分割（FSS）的目的是在只给出少量标注样本的情况下分割未见类。现有的方法存在特征破坏的问题，即在训练阶段将潜在的新类作为背景。我们的方法旨在缓解这一问题，并增强潜在新类的特征嵌入。我们提出了一种新的联合训练框架，在传统的支持查询对的训练过程基础上，我们引入了一个额外的挖掘分支，通过可转移的子簇（transferable sub-clusters）来挖掘潜在的新类，并在背景和前景类别上引入了一种新的

2021-04-06 15:28:17 2362 2

原创 [医学图像小样本分割]A LOCATION-SENSITIVE LOCAL PROTOTYPE NETWORK FOR FEW-SHOT MEDICAL IMAGE SEGMENTATION

一种用于Few-Shot医学图像分割的位置敏感局部原型网络（ISBI2021）论文地址摘要引入适当的先验知识是设计高性能少镜头分割算法的关键。由于许多医学图像模式中存在强力的空间先验知识，我们提出了一种基于原型的方法，即位置敏感的局部原型网络，利用空间先验来执行Few-Shot医学图像分割。我们的方法将用全局原型分割整个图像的困难问题分解为用局部原型分割局部区域的容易解决的子问题。存在的问题及解决方案在开发高性能的Few-Shot语义分割算法时，整合适当的先验知识是关键。众所周知，强大的空间先验是

2021-04-05 15:56:19 2286 6

原创 [小样本图像分割]Self-Guided and Cross-Guided Learning for Few-Shot Segmentation

用于 Few Shot 分割的自引导和交叉引导学习摘要Few Shot Segmentation由于能够有效地分割少量带注释样本的未见对象类而备受关注。现有的方法大多使用掩码全局平均池化(GAP)将带注释的支持图像编码为特征向量，以方便查询图像分割。然而，由于平均操作，这一操作不可避免地丢失了一些判别信息。在本文中，我们提出了一种简单但有效的自我引导学习方法，其中丢失的关键信息被挖掘。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masked GAP转换成主支持向量和辅助支持

2021-04-05 11:17:28 1973 1

原创小样本图像分割数据集

这里主要介绍两种在小样本图像分割中使用的数据集，分别是PASCAL−5iPASCAL-5^iPASCAL−5i和COCO−20iCOCO-20^iCOCO−20i，主要是对PASCAL和COCO做了一定的修改让它们更适用于小样本图像分割，SDS主要用于扩展PASCAL的标注。PASCAL−5iPASCAL-5^iPASCAL−5i出自OSLSM，COCO−20iCOCO-20^iCOCO−20i出自CANetPASCAL−5iPASCAL-5^iPASCAL−5iPASCAL−5iPASCAL-5^i

2021-04-05 11:12:43 2724 10

原创 [弱监督语义分割]Reliability Does Matter: An End-to-End Weakly Supervised Semantic Segmentation Approach

可靠性确实重要:端到端弱监督的语义分割方法（AAAI2020）论文地址开源代码

2021-04-04 15:35:02 1353

原创 [医学图像迁移学习]A scoping review of transfer learning research on medical image analysis using ImageNet

利用ImageNet进行医学图像分析的迁移学习研究论文地址Abstract近年来，在非医学ImageNet数据集上经过良好训练的卷积神经网络(CNNs)使用迁移学习(TL)对医学图像进行分析中显示了有希望的结果。我们的目的是进行范围审查，以确定这些研究，并总结它们在问题描述、输入、方法和结果方面的特征。在22个解剖区域中，眼睛(18%)、乳房(14%)和大脑(12%)是最常被研究的。在72%的微调TL研究中进行了数据增强，而在特征提取TL研究中只进行了15%。Inception模型在乳房相关研究中最

2021-04-03 10:59:34 2177 1

原创 [医学图像分割综述] Medical Image Segmentation Using Deep Learning: A Survey

本综述有两个独创之处，首先，与传统的调查方法直接将医学图像分割的文献划分为多个组，并对每个组详细介绍文献的方法相比，我们将目前流行的文献按照从粗到细的多层次结构进行分类。其次，本文重点研究了监督学习和弱监督学习方法，但未包括无监督方法，这种方法目前在医学图像领域并不流行。对于监督学习方法，我们从骨干网络的选择、网络块的设计和损失函数的改进三个方面对文献进行了分析。对于弱监督学习方法，我们分别根据数据增强，迁移学习和交互式分割研究文献。与已有的调查相比，本次调查的文献分类与以往有很大的不同，更便于读者了解相关

2021-04-02 17:30:47 29181 2

原创 [小样本图像分割]SG-One: Similarity Guidance Network for One-Shot Semantic Segmentation

SG-One:用于一次性语义分割的相似引导网络（IEEE Transactions on Cybernetics 2020）这篇文章提到的Masked Global Average Pooling比较重要，后面的很多小样本分割文章都有用到，甚至是作为融合支持图像与其标注的标配！论文地址摘要在这篇文章中，主要提出了一个简单而有效的相似性引导网络来解决One-Shot分割问题。我们的目的是通过和查询图像同一类别的一个带有密集标记的支持图像来预测一个查询图像的分割掩码。为了获得支持图像的鲁棒代表特征，我们

2021-03-31 09:33:24 2464

原创 [小样本图像分割]CRNet: Cross-Reference Networks for Few-Shot Segmentation

用于Few-Shot分割的交叉参考网络（CVPR2020）论文地址摘要本文提出了一种用于Few-Shot分割的交叉参考网络。不同于以往只预测查询图像中的掩码，我们提出的模型同时对支持图像和查询图像进行预测。通过交叉参考机制，我们的网络可以更好地找到两幅图像中协同出现的对象，从而帮助Few-Shot分割。我们还开发了一个掩码细化模块来对前景区域的预测进行循环细化。对于K-Shot学习，我们建议对网络的部分进行微调，以利用多个带标记的支持图像。存在的问题及解决方案过往的大多数工作将Few-Shot分割

2021-03-28 16:06:55 1439 9

原创 [小样本图像分割]CANet: ClassAgnostic Segmentation Networks with Iterative Refinement and Attentive....

CANet：一种具有迭代优化和注意力机制的类未知的Few-Shot分割（CVPR2019）论文地址开源代码摘要CANet，一种类未知的分割网络，它可以在只有少量标注图像可用的新类上执行Few-Shot分割。该网络由两个分支密集比较模块和一个迭代优化模块组成，该模块对支持图像和查询图像进行多层次特征比较，并对预测结果进行迭代优化。此外，我们还引入了一种注意机制，在K-Shot下，有效地融合来自多个支持样本的信息。存在的问题及解决方案CANet包含一个双分支密集比较模块，它们共用同一个特征提取器来

2021-03-28 09:50:10 1469 2

原创 [小样本图像分割]PANet: Few-Shot Image Semantic Segmentation with Prototype Alignment

PANet:基于原型对齐的Few Shot图像语义分割（ICCV19）摘要本文从度量学习的角度来解决Few Shot Segmentation问题，提出一种新的原型对齐网络来更好地利用支持集信息。PANet从嵌入空间内的一些支持图像中学习特定类的原型表示，然后通过将每个像素与学习到的原型进行匹配，对查询图像进行分割。通过非参数度量学习，PANet提供了代表每个语义类的高质量原型，这些原型同时还存在对不同类的判别信息。此外，PANet还引入了一种支持和查询之间的原型对齐正则化。在此基础上，PANet充分

2021-03-26 09:36:18 4400 10

原创 [小样本图像分割]One-Shot Learning for Semantic Segmentation（OSLSM）

用于图像分割的单样本学习（OSLSM）本文算是小样本学习的经典之作，虽然以现在的角度来看比较粗糙，但仍然值得学习！论文地址开源代码概述本文从few shot学习中得到启发，提出了一种新的双分支的一次性语义图像分割方法。第一个分支将标记的图像作为输入，并生成参数向量作为输出。第二个分支接受这些参数和一个新图像作为输入，并为新类生成图像的分割掩码作为输出。本文贡献：1）提出了一种新的单样本分割技术，该技术在快速分割的同时优于基线；2）该技术可以在不为新类添加弱标签的情况下做到这一点；3）即使只有

2021-03-21 19:04:23 2564

原创 [小样本图像分割]Prior Guided Feature Enrichment Network for Few-Shot Segmentation

用于图像分割的先验引导特征增强网络（PFENet）论文地址Github开源代码目前存在的问题：现有的Few-Shot Segmentation方法普遍存在的问题包括高级特征的误用导致的泛化损失以及查询样本和支持样本之间的空间不一致。本文贡献：(1)一种无需训练的先验掩模生成方法，不仅保留了模型的泛化能力，而且提高了模型的性能。(2)特征增强模块，一种使用支持特征（support feature）和先验掩码（prior mask）来自适应增强查询特征（query feature）以克服空间不连续

2021-03-20 16:28:11 4102

原创小样本学习综述Generalizing from a Few Examples-A Survey on Few-Shot

[摘要]：机器学习在数据密集型应用中非常成功，但当数据集很小时，它常常受到阻碍。为了解决这一问题，近年来提出了小样本学习(FSL)。利用先验知识，FSL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。在这篇论文中，我们进行了一个彻底的调研，以充分了解FSL。从FSL的正式定义出发，我们将FSL与几个相关的机器学习问题区分开来。然后指出了FSL的核心问题是经验风险最小化是不可靠的。基于先验知识如何处理这一核心问题，我们从三个角度对FSL方法进行了分类:（i）数据，它使用先验知识来增加监督经验（ii

2021-03-13 15:22:39 1618

qq_38932073的博客