一览小样本学习研究进展 2019 从 CVPR (小样本gan)
雷锋网 AI 科技评论按：随着研究者们对样本利用效率的要求日益提高，小样本学习逐渐成为了 AI 领域以及相关顶会最热门的话题之一。色列特拉维夫大学的在读博士研究生 Eli Schwarts 参加完CVPR 2019 后，针对今年CVPR 2019 的热点之一——小样本学习整理出了一份论文清单，供大家从 CVPR 的维度一览小样本学习在目前的研究进展。
最近，小样本物体识别成为了一个热门的研究课题（CVPR 2018 收录了 4 篇关于小样本学习的论文，而到了 CVPR 2019，这一数量激增到了近 20 篇）。通常情况下，在训练时你有许多可以使用的各类样本；然后，在测试时，你会面对新的类别（通常为 5 类），其中每个类别仅有极少量的样本（通常每类只有 1 个或 5 个样本，称为「支持集」），以及来自相同类别的查询图像。
接下来，本文将把小样本方法划分为 5 个不同的类别（尽管这些类别并没有明确的界定，许多方法同时属于不止一个类别）。
「Older」指的是基于度量学习的方法 ，其目标是学习一个从图像到嵌入空间的映射，在该空间中，同一类图像彼此间的距离较近，而不同类的图像距离则较远。我们希望这种性质适用于那些没有见过的类。
在这之后， 就到元学习方法了 。这类模型建立在当前所面对的任务的基础上，因此使用不同的分类器作为支持集的函数。其思路是寻找模型的超参数和参数，这样一来在不对使用的小样本过拟合的条件下可以很容易地适应新的任务。
与此同时， 数据增强方法也十分流行 。其思想是学习数据增强的方式，从而可以通过少量可用的样本生成更多的样本。
最后， 基于语义的方法正在逐渐兴起 。这类方法受到了零样本学习（zero-shot learning）的启发，其中分类任务的完成仅仅基于类别的名称、文本描述或属性。当视觉信息稀缺时，这些额外的语义信息也可能很有用。
论文：Revisiting Local Descriptor based Image-to-Class Measure For Few-shot Learning，Li et. Al
论文：Few-Shot Learning with Localization in Realistic Settings，Wertheimer et. Al
论文：Dense Classification and Implanting for Few-Shot Learning，Lifchitz et. Al
论文：Variational Prototyping-Encoder: One-Shot Learning with Prototypical Images，Kim et. Al
论文地址：
元学习方法
论文：Edge-Labeling Graph Neural Network for Few-shot Learning，Kim et. al
论文：Task Agnostic Meta-Learning for Few-Shot Learning，Jamal et. al
论文：Meta-Transfer Learning for Few-Shot Learning，Sun et. al
论文地址：
论文：Generating Classification Weights with GNN Denoising Autoencoders for Few-Shot Learning，Gidaris et. al
论文：Finding Task-Relevant Features for Few-Shot Learning by Category Traversal，Li et. al
数据增强方法
论文：LaSO: Label-Set Operations networks for multi-label few-shot learning，Alfassy et. al
论文：Few-shot Learning via Saliency-guided Hallucination of Samples，Zhang et. al
论文：Spot and Learn: A Maximum-Entropy Patch Sampler for Few-Shot Image Classification，Chu et. Al
论文：Image Deformation Meta-Networks for One-Shot Learning，Chen et. al
论文：Baby steps towards few-shot learning with multiple semantics，Schwartz et. al
论文：Generalized Zero- and Few-Shot Learning via Aligned Variational Autoencoders，Schonfeld et. al
论文：TAFE-Net: Task-Aware Feature Embeddings for Low Shot Learning，Wang et. al
论文：Large-Scale Few-Shot Learning: Knowledge Transfer With Class Hierarchy，Li et. al
物体识别之外（其它任务中的小样本学习）
论文：RepMet: Representative-based metric learning for classification and few-shot object detection，Karlinsky et. al
论文：CANet: Class-Agnostic Segmentation Networks with Iterative Refinement and Attentive Few-Shot Learning，Zhang et. al
Revisiting Local Descriptor based Image-to-Class Measure for Few-shot Learning , Li et. al
在本文中，作者稍微走起了点怀旧风，采用了词袋（bag-of-words）模型时代使用的局部描述子，但是特征则是使用一个卷积神经网络（CNN）提取到的，而整个学习框架都是端到端的。它的实验结果略微低于对比基准。
Few-Shot Learning with Localization in Realistic Settings , Wertheimer et. Al
本文声称，标准的小样本学习对比基准测试是不符合现实情况的，因为它们使用的不同类别的数据是被人为设定成平衡的，而且测试时使用的是 5 类样本，因此本文作者建议使用一个新的数据集/对比基准。同时，让模型同时学习进行定位和分类；这样做显而易见的缺点是需要用到带有边界框标注的数据集。分类器是建立在原型网络之上的，但使用的特征向量是由聚合的前景和背景表征连接而成的。
Dense Classification and Implanting for Few-Shot Learning , Lifchitz et. al
在本文中，分类任务是密集地执行的，即所有的空间位置都需要被正确地分类，而不是在最后进行全局平均池化处理。此外，在测试期间，本文作者并不是在最后一层才进行调优，而是通过添加神经元扩大每一层并对它们进行调优（只有额外添加的权重会被训练，旧的权重会被冻结）。
Variational Prototyping-Encoder: One-Shot Learning with Prototypical Images , Kim et. al.
这是一个单样本分类技术的更具体的应用，针对的是标志或路标分类问题。在本例中，作者将标准图形化的图像（与现实中的真实标志/路标相对应）作为原型。他们通过学习一个将真实标志/路标图像映射到原型图像上的元任务学习来学习一种良好的表征。
Edge-Labeling Graph Neural Network for Few-shot Learning , Kim et. al
图神经网络已经被用于小样本学习领域。其基本思想是，每个图像都可以作为图中的一个节点来表示，而且信息（节点表征）可以根据它们之间的相似度在它们之间传播。通常而言，分类任务是根据节点表征之间的距离隐式地完成的。在这里，作者建议在每条边上加上显式的特征来描述节点之间的相似度。
Task Agnostic Meta-Learning for Few-Shot Learning, Jamal et. Al
在这项工作中，为了避免元学习模型对训练任务过拟合，作者在输出预测时加入了一个正则化项。正则化要么会使预测具有更高的熵（即预测的概率不会看起来像一个独热矢量），要么使模型在不同任务之间的差异更小（即在不同任务上表现相同）。显然，对于小样本学习来说，有一个强大的正则化机制是十分重要的，但我并不能直观地理解为什么我们需要的是文中体到的特定的正则项。本文作者在 MAML 的基础上测试了该方法，得到了更优的性能。不妨看看将其应用于其它方法上是否也会对性能提升有所帮助！
Meta-Transfer Learning for Few-Shot Learning , Sun et. Al
该方法有两个主要的组成部分：（1）对一个预训练的模型调优，其中权值是冻结的，在每一层中只学习放缩和偏置（Scaling and Shifting）；（2）困难任务挖掘。如果我没弄错的话，MAML 对批量归一化层进行了调优，这难道不是具有和「学习放缩和偏置」相同的效果吗？似乎将困难批量挖掘（根据之前的任务中具有较低的准确率的类组成的任务）应用到 MAML 上也是有所帮助的。
Generating Classification Weights with GNN Denoising Autoencoders for Few-Shot Learning , Gidaris et. Al
在本文中，作者再次建立模型预测分类器对于未见过的类的权重。此外，所有分类器的权重都会被传递给一个通过一个图神经网络实现的去噪自编码器（基类和任务中的新类别），从而做到：（1）让分类器能够适应当前任务的类别（2）将基类分类器的知识传播给新类分类器。使用去躁自编码器有助于修正预测得到的分类器，因为这些分类器仅仅只基于少量的示例预测得到，有明显的噪声。
Finding Task-Relevant Features for Few-Shot Learning by Category Traversal , Li et. al
给定一个特征提取器，该模型大体上可以预测一个特征向量上的注意力映射。「Concentrator」会分别查看每个类（或图像），而「Projector」则会融合来自任务中所有类的信息来生成注意力映射。「Concentrator」和「Projector」都是通过一个小型的卷积神经网络（CNN）来实现的。我非常喜欢这种简单的模块，当在几个一致的基于度量的方法上使用该模块时，它们总是可以提升性能。
LaSO: Label-Set Operations networks for multi-label few-shot learning , Alfassy et. al
本文的研究课题是多标签小样本分类问题。在本文中，作者训练模型在嵌入空间中对多标签样本的标签集执行集合运算（求并集、差集、交集）。例如，通过对狗和猫的图像求并集，可以得到同时包含狗和猫的图像的表征。之后，作者使用这些操作来增强数据并提高分类性能。
Few-shot Learning via Saliency-guided Hallucination of Samples , Zhang et. Al
本文采用（在没有交集的类上）预训练的显著性模型分割前景和背景。作者训练了两个特征提取器，一个用于提取前景特征、另一个用于提取背景特征，还有第三个模型用来将前两种特征进行组合。显然，其缺点是你需要一个预训练好的显著性模型。我认为这是一个很棒的增强数据的方式，但是我不确定增强背景数据对于正确的分类有多重要（不像目标检测任务），如果你已经能够分割出前景，那么仅仅使用前景进行分类不是更好吗？
Spot and Learn: A Maximum-Entropy Patch Sampler for Few-Shot Image Classification , Chu et. Al
在本文中，作者计算了每一个图块（patch）的表征（而不是仅仅学习整幅图像的表征），然后通过使用了最优图块轨迹的 RNN（即决定下一步应该使用哪一个图块）来聚合这种表征，该轨迹是通过一个强化学习模型预测得到的。与简单的注意力模型相比，我认为该模型由于其具有数据增强方法（对于同一张图像使用不同的轨迹），要更好一些。然而，基准对比测试的结果只能说马马虎虎。我想知道仅仅使用一个随机的轨迹进行增强是否也会起到相同的作用。
Image Deformation Meta-Networks for One-Shot Learning , Chen et. Al
这是一种非常酷的数据增强方法。该方法类似于「mixup」（），但是这里的图像被根据一个网格进行了划分，并且为每个单元使用了不同的预测出的「mixup」系数。模型训练是端到端的，同时进行分类器的学习和对「mixup」的优化（指更好的分类效果）。本文作者将提出的模型与「mixup」进行了对比，但是我们想知道：如果系数是预测得出的而非随机的，「mixup」对整幅图像的效果如何，即不同的「混合」方式对于每个单元的影响如何。
基于语义的方法
Baby steps towards few-shot learning with multiple semantics , Schwartz et. Al
本文作者
在 CVPR 的「语言与视觉 Workshop」 上展示了自己的工作。作者基于 AM3 模型[Xing et. al, 2019]构建了自己的模型，并将其泛化，从而利用多种语义。同时，作者还使用了关于类别的短文本描述（这些描述是 ImageNet 的一部分，但是至今仍未被用于小样本学习）来提升性能。从可视化原型开始，他们便采用一系列语义嵌入迭代地更新这些可视化原型。通过这样做，该论文提出的方法实现了目前在 miniImageNet 上最佳的性能。
Generalized Zero- and Few-Shot Learning via Aligned Variational Autoencoders , Schonfeld et. Al
本文作者训练了两个变分自编码器（VAE），一个用于视觉特征，另一个则用于语义特征。其目的是能够根据潜在的视觉特征重建语义特征，反之亦然。作者表明，使得两个潜在空间具有相同的分布也很有帮助。
TAFE-Net: Task-Aware Feature Embeddings for Low Shot Learning , Wang et. Al
在这项工作中，标签嵌入（GloVe）被用来预测数据特征提取模型的权重。他们提出了一种很好的方法来分解权重，从而只需要预测一个较低维的权重向量。此外，通过「嵌入损失」迫使语义嵌入和视觉嵌入对齐。这篇论文的有趣之处在于，它结合了两种方法：元学习（基于任务来预测模型），以及利用语义信息（标签）。然而，对于小样本学习任务而言，似乎本文提出的模型稍微弱于现有的最佳方法。
Large-Scale Few-Shot Learning: Knowledge Transfer With Class Hierarchy , Li et. Al
作者声称现有的方法在大规模小样本学习任务往往会失败，例如在 ImageNet 而不是在像 miniImageNet 种的 64 个基类这样的小型数据集上进行预训练，并且其结果也并没有优于简单的对比基线。在本文中，作者也使用了语义标签。他们使用标签嵌入来无监督地构建了一个类别的层次结构，这是一种非常有趣的方法，学习以这种层次化的方式进行分类可能有助于模型捕获那些在未见过的类上表现更好的特征。然而需要警醒的是，将未见过的类标签用于构建类别的层次结构是不是有作弊之虞？
物体识别之外（其它任务中的小样本学习）
RepMet: Representative-based metric learning for classification and few-shot object detection , Karlinsky et. al
该博文的作者也参与了这篇论文的工作。在本文中，作者率先研究了小样本目标检测。他们的解决方案是将一种基于度量的方法（如原型网络）扩展到目标检测任务上。他们使用了一种现成的检测器架构（FPN-DCN），并使用一种基于度量的分类器替换了线性分类器头，在该方法中，对检测出的每个区域的分类是基于特征向量到学到的类别的表征的距离而得出的。论文作者建议为小样本检测问题使用一种新的对比基准，并且展示了该论文提出的方法相对于对比方法的提升。
CANet: Class-Agnostic Segmentation Networks with Iterative Refinement and Attentive Few-Shot Learning , Zhang et. Al
本文将度量学习扩展到了稠密场景下的小样本分割任务中。将查询图像中的所有局部特征与支持集中物体的所有局部特征进行对比的计算开销是非常大的。因此，本文作者选择将查询图像中的局部特征与支持集图像的全局表征进行对比。
Via
原创文章，未经授权禁止转载。详情见 转载须知 。
网站描述
从中国和美国全方位显示查询自己的iP地址，检查网络连通性，查询上网的有效互联网IP地址
香港瑞泓科技有限公司（RuiHongElectroplating）是一家位于深圳市宝安区的以电镀产线为核心的企业。公司成立于2005年，经过十年的发展,如今已成为电镀行业中镀种全面、生产工程技术力量强大的一站式服务平台。
四川皇家蓝卡铝业有限公司位于四川省成都市邛崃羊安工业园。 皇家蓝卡拥有国际先进的生产技术设备，集挤压、氧化、粉末喷涂、木纹转印、模具开发于一体。专业生产工业铝合金型材、高档建筑门窗幕墙系统铝合金型材、装饰铝合金型材。生产的铝合金产品已获“四川名牌”称号。 皇家蓝卡秉承“共创与分享”的经营理念和“创新传承经典”的产品发展理念，以市场为导向，采用垂直集成的产品模式，为用户提供符合不同建筑要求的门窗幕墙系统整体解决方案，产品得到广泛应用。
厦门伯智人力资源管理有限公司是一家专业性人力资源管理咨询公司
海宁市玖玖包装有限公司是一家专业从事木制托盘，各类木箱，大型设备木（铁）包装，真空包装，铁框箱等的设计与制作。 我们玖玖公司自成立起，一直本着诚信！优质！快速！为服务所有客户满意的经营理念！与客户!社会共同发展，一起成长!
深南游戏攻略发布各类游戏攻略,包括游戏攻略、心得秘籍、视频攻略、游戏技巧、攻略宝典等，为游戏玩家提供丰富的攻略资源
Thisismypage
凤凰山下（www.dz19.net）是达州本地信息全面的生活信息门户论坛。
温州市焊接设备厂位于温州市区内吴桥工业区，面积8000平方米，建厂于1979年，是研究、开发、生产焊机，焊接辅助设备，机具的专业工厂。曾荣获国家劳动人事部，工商行政管理局，中国社会科学院，全国总工会，共青团中央，表彰的先进单位，多次被评为温州市先进企业。
西安创新网是关于创新、创业主题集信息发布、企业服务平台、企业群组社区、知识积累于一体的综合门户。
规划头条，城市规划行业的今日头条。关注城市与城市规划，汇集城市规划行业新闻资讯，传播城市规划行业观点，提供规划直播，规划行业学术直播服务。
4月19日消息，国家图书馆互联网信息战略保存项目在北京启动，首家互联网信息战略保存基地落户新浪，新浪网发布的新闻和微博上公开发布的博文，都将被互联网信息战略保存基地保存，截至2018年12月，新浪网累计发布新闻超过2.1亿条、图片13亿张、视频4500万个、互动总量超过80亿，微博全站发布博文超过2000亿条、图片500亿张、视频4亿...。
雷锋网AI科技评论消息，2018年11月，北京智源人工智能研究院，BeijingAcademyofArtificialIntelligence，BAAI，正式揭牌成立，该研究院是在科技部和北京市委市政府的指导和支持下，由北京市科委和海淀区政府推动成立，依托北京大学、清华大学、中国科学院、百度、小米、字节跳动、美团点评、旷视科技等北京人...。
独家获悉，今日上午，谢欣发布内部全员信，表示飞书将精简团队规模，谢欣在内部信中提到，经过反复多次的讨论和非常慎重的抉择，我们决定做一些调整，会适当精简团队规模，实际上，几天前，一位飞书人士曾告诉，谢欣今年的年度OKR中提及一项重点内容为财务健康，另有知情人士称，飞书今年期望收入能覆盖商业化团队的员工，公司将只负责承担产研团...。
发表在综合交流大区2018，12，1822，34BenQLX700STD，短焦大眼蓝0.49超短焦的LX700STD，一米投影距离能打出100英寸大小的画面，在大会议室，它可以尽量靠前摆放，稳稳，瞄，住投影画面，后方会议讨论团队不必拘束，会议桌上随意放置物品，也不用担心遮挡投影光线；在小会议室，它对狭小空间无所畏惧，依然用那圆圆的短焦...。
全球时报，全球网报道记者白云怡，在12日的外交部例行记者会上，有媒体提问称，菲律宾国防部长吉尔伯特·特奥多罗当天示意，中国正对菲律宾施加越来越大的压力，试图让菲律宾丢弃其在南海的主权权益，他还称菲律宾是所谓，中国侵略，的受益者，中方对此有何评论，对此，中国外交部发言人林剑回应示意，针对菲方无关人士的舆论，我要指出的是，每一次性中菲海...。
乌军突然对俄罗斯库尔斯克方向发起的越境攻打曾通过去了十天，战局依然显得虚无缥缈，乌军虽然控制了大片区域，但距离扭转乌东战局与取得谈判筹码的战略指标仿佛仍有点悠远；俄罗斯方面也远未能如外界预料的那样极速将库尔斯克方向的乌军赶走，依然处于主动防卫的形态，虽然俄罗斯总统普京12日向俄军提出明白需要，从咱们的领土上将乌军赶进来，覆灭死敌，确...。
[全球网报道记者姜蔼玲]外地期间13日，前美国总统特朗普在美国宾夕法尼亚州举办的竞选集会上宣布演讲时，现场突然响起枪声，特朗普被特勤局人员护送分开，美联邦考查局随后发申明称，确认枪击特朗普的枪手身份为20岁宾夕法尼亚州女子托马斯·马修·克鲁克斯，事发时其经常使用一支AR，15型步枪，后被当场击毙，无关克鲁克斯更多信息，成为美媒关注焦点...。
置信大家都据说过玛法达2020星座预言，每个星座的运势都不一样，并且预测白羊座和金牛座在2020年会有十分好的开展，当天，边肖与大家分享，2020年玛法达财产，完整版的相关内容，宿愿能消除你心坎的疑虑，让咱们来看看边肖的分享吧！玛法达2020星座大预言白羊座2020年运势2020年白羊座运势占三颗星，这一年，他们特意有底气和自信，能拿...。
有出路的，每个上班都有出路，电工是一种技艺，只需您学习这个技艺学的够透彻，您也可以成为这个行业的巨人电工专业如今还吃香吗，还能学吗，电工专业不时都是基础且关键的工程技术专业，关于电工专业能否吃香以及能否值得学习，咱们可以从以下几点启动剖析，30岁学电工还有出路吗30岁学电工是齐全可行的，只需有信心和毅力，就能够学好电工常识，此外，30...。
特斯拉车的车门经常坏，美国，生产者报告，近日称，其杂志社购入价值12.7万美元，约合78.8万人民币，特斯拉最新款ModelSP85D，本方案启动车辆测试，然而没想到在测试开局前就出现了疑问——门把手，失灵，文章称，世界奢侈电动汽车行业的指导者特斯拉公司，不时将其门把手智能弹出和收回性能，视为显示其高科技特质的一个关键性能，不过，这...。
要说什么最凶险，丧尸?野兽?都不是，最凶险的反而是我们人类自己。在远星城，这份凶险便增多了几分。远星城是前期遇到的第一张PVP资源地图，地图内除了丧尸外，还增加了帝国卫兵以及熙熙攘攘携带着致命枪械的人类，在这里，没有所谓的人性。,明日之后远星城宝箱位置在哪
冰点文库下载器(免积分下载百度文档),pc6向你推荐一款免积分就能下载百度文库的软件-冰点文库下载器，冰点文库不仅可以自由下载百度的文档资料，也通吃百度、豆丁、丁香、MBALib、Book118等文库的文档资料,您可以免费下载。
现在的人们生活条件是越来越好，人们对于个人身体健康的问题也是越来越注重，大家都知道人体肥胖了之后都会出现着各种各样的隐患，所以有很多的人们为了个人健康的问题就会选择去塑形，现在在市场当中一些塑形机构的生意是越做越红火，很多的人们在选择创业项目时就看中了授权机构的商机，其中香港伊立瘦在市场中就得到了很多人们的信赖，那么香港伊立瘦怎么样?...。
雷锋网按，自动驾驶汽车是个软硬件综合体，强大的传感器套装背后需要复杂的软件支撑，而自动驾驶软件在吞吐数据与做决策时，需要异常强大的算力，纵观整个市场，凭借算力驱动自动驾驶汽车的头部玩家无非是英伟达与英特尔，Mobileye，双巨头，不过，随着自动驾驶部署时间线的邻近，其他供应商也抓紧行动了起来，没准它们真能抢下一块蛋糕，发一笔横财呢，...。
赛力斯上半年成绩出炉，8月30日晚间，赛力斯发布2023年半年度报告，上半年赛力斯实现营业收入110.32亿元，归母净利润较上年同期改善22%，2021年，赛力斯和华为达成跨界业务合作，成为了华为汽车智选车模式的首个合作伙伴，双方在技术、产品和渠道等多个方面进行了深度融合，先后推出了问界M5、M5EV、M7等多款车型，今年2月，赛力斯...。
近日，阿里云推出全新视频生成大模型I2VGen，XL，并在魔搭社区开放体验，用户上传一张图片后2分钟左右即可生成一段1280*720的高分辨率视频，该模型研发负责人表示，未来将进一步实现2K超清效果，可应用于短视频内容生产、电影制作等场景，和业界爆火的AI绘画创作大模型不同，视频生成大模型的技术门槛更高，其需要克服文本和视频内容匹配度...。
发表在极米投影仪2021，8，1119，51当我们想要向极米投影仪共享电脑上的文件时，可以使用第三方软件也能直接在电脑上设置共享文件，只需要轻松几步就能使用极米投影仪观看电脑上的内容，下面就来教大家极米投影仪访问电脑共享文件设置教程，极米投影仪访问电脑共享文件设置教程，以win10系统和极米h3为例，1、在电脑上选中想要共享的文件，...。
