当前位置:网站首页>zero-shot, one-shot和few-shot

zero-shot, one-shot和few-shot

2022-07-07 10:02:00 薰珞婷紫小亭子

目录

一、Zero-shot learning (零样本学习,简称ZSL)

二、One-shot learning

三、Few-shot learning


对于这些概念的划分,主要从测试卷类别,训练集类别以及类别对应的样本数量的角度来理解。

一、Zero-shot learning (零样本学习,简称ZSL)

任务定义:

利用训练集数据训练模型,使得模型能够对测试集的对象进行分类,但是训练集类别和测试集类别之间没有交集;期间需要借助类别的描述,来建立训练集和测试集之间的联系,从而使得模型有效。

ZSL就是希望我们的模型能够对其从没见过的类别进行分类,让机器具有推理能力,实现真正的智能。其中零次(Zero-shot)是指对于要分类的类别对象,一次也不学习。

比如:假设我们的模型已经能够识别马,老虎和熊猫了,现在需要该模型也识别斑马,那么我们需要告诉模型,怎样的对象才是斑马,但是并不能直接让模型看见斑马。所以模型需要知道的信息是马的样本、老虎的样本、熊猫的样本和样本的标签,以及关于前三种动物和斑马的描述。
 

二、One-shot learning

如果训练集中,不同类别的样本只有一个,则成为One-shot learning.

One-shot learning 属于Few-shot learning的一种特殊情况。

三、Few-shot learning

如果训练集中,不同类别的样本只有少量,则成为Few-shot learning.

就是给模型待预测类别的少量样本,然后让模型通过查看该类别的其他样本来预测该类别。比如:给小孩子看一张熊猫的照片,那么小孩子到动物园看见熊猫的照片之后,就可以识别出那是熊猫。

推荐阅读的小样本学习综述:

原网站

版权声明
本文为[薰珞婷紫小亭子]所创,转载请带上原文链接,感谢
https://xat-suda.blog.csdn.net/article/details/125623018

随机推荐