one-shot learning簡(jiǎn)介

這是遷移學(xué)習(xí)的兩種極端形式

zero-shot learning

指的是我們之前沒(méi)有這個(gè)類(lèi)別的訓(xùn)練樣本,但是我們可以學(xué)習(xí)到一個(gè)映射X->Y, 如果這個(gè)映射足夠好的話, 我們就可以處理沒(méi)有看到的類(lèi)了.? 比如, 我們?cè)谟?xùn)練時(shí)沒(méi)有看見(jiàn)過(guò)獅子的圖像, 但是我們可以用這個(gè)映射得到獅子的特征. 一個(gè)好的獅子特征, 可能就和貓, 老虎等等比較接近, 和汽車(chē), 飛機(jī)比較遠(yuǎn)離. 感性認(rèn)識(shí)的話, 雖然我們不知道這東西叫獅子, 但是我們可以說(shuō)出他和誰(shuí)誰(shuí)誰(shuí)像..

One-shot learning?

指的是我們?cè)谟?xùn)練樣本很少, 甚至只有一個(gè)的情況下, 依舊能做預(yù)測(cè). 如何做到呢? 可以在一個(gè)大數(shù)據(jù)集上學(xué)到general knowledge(具體的說(shuō), 也可以是X->Y的映射), 然后再到小數(shù)據(jù)上有技巧的update.我們可以認(rèn)為零數(shù)據(jù)學(xué)習(xí)場(chǎng)景包含三個(gè)隨機(jī)變量: 傳統(tǒng)輸入 x, 傳統(tǒng)輸出或目標(biāo) y, 以及描述任務(wù)的附加隨機(jī)變量 T. 該模型被訓(xùn)練來(lái)估計(jì)條件分布 p(y|x;T), 其中 T 是我們希望執(zhí)行的任務(wù)的描述.
下面的試驗(yàn)主要是針對(duì)字符識(shí)別來(lái)做的

總體方法

verification_task ?--> one-shot_classification

1. 學(xué)習(xí)圖像的表示

learn image representations via a supervised metric-based approach with siamese neural networks

verification task

學(xué)習(xí)一個(gè)神經(jīng)網(wǎng)絡(luò), 由于判斷一個(gè)圖像對(duì)是否屬于同一類(lèi)

siamese convolutional neural networks

1. are capable of learning generic image features useful for making predictions about unknown class distributions even when very few examples from these new distributions are available;


來(lái)自為知筆記(Wiz)

轉(zhuǎn)載于:https://www.cnblogs.com/tvect/p/7860334.html

總結(jié)

以上是生活随笔為你收集整理的Siamese Neural Networks for One-shot Image Recognition的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。