2021-07-27 22:46:06

docs/handson-tl-py/4.md

@@ -170,7 +170,7 @@ Pan 和 Yang 撰写的论文《迁移学习综述》[可以在此处找到](http
 
 深度学习系统天生就渴望数据，因此它们需要许多训练示例来学习权重。 这是深度神经网络的局限性之一，尽管人类学习并非如此。 例如，一旦向孩子展示了苹果的外观，他们就可以轻松识别出不同种类的苹果（带有一个或几个训练示例）； 机器学习和深度学习算法并非如此。 单样本学习是迁移学习的一种变体，在这种学习中，我们尝试仅根据一个或几个训练示例来推断所需的输出。 这在无法为每个可能的类提供标签数据的现实世界场景中（如果是分类任务）和在经常可以添加新类的场景中非常有用。
 
-据说 Fei-Fei 及其合作者具有里程碑意义的论文[《对象类别的单发学习》](https://ieeexplore.ieee.org/document/1597116/)。 在此子领域创造了“一次性学习和研究”一词。 本文提出了一种用于对象分类的表示学习的贝叶斯框架的变体。 此后，此方法已得到改进，并已使用深度学习系统进行了应用。
+据说 Fei-Fei 及其合作者具有里程碑意义的论文[《对象类别的单发学习》](https://ieeexplore.ieee.org/document/1597116/)。 在此子领域创造了“单样本学习和研究”一词。 本文提出了一种用于对象分类的表示学习的贝叶斯框架的变体。 此后，此方法已得到改进，并已使用深度学习系统进行了应用。
 
 # 零样本学习
 

docs/super-machine-learning-revision-notes/README.md

@@ -805,9 +805,9 @@ b）在最后一步中，将所有带有![](img/tex-011310f4e5761898d60b776931cb
 
 #### 人脸验证
 
-##### 一次性学习（学习“相似性”函数）
+##### 单样本学习（学习“相似性”函数）
 
-在这种情况下，一次性学习就是：从一个例子中学习以再次认识这个人。
+在这种情况下，单样本学习就是：从一个例子中学习以再次认识这个人。
 
 函数![](img/tex-fc2beeb62375e002363c70c8c5f8e503.gif)表示 img1 和 img2 之间的差异程度。
 

docs/what-do-we-understand-about-convnet/ref.md

@@ -37,7 +37,7 @@
 *   [35] A. Dundar，J。Jin和E. Culurciello。用于无监督学习的卷积聚类。 2016年ICLR研讨会。
 *   [36] [D. Eigen和R. Fergus。使用通用的多尺度卷积结构预测深度，表面法线和语义标签。在ICCV，2015年。](file:///D:/papers/1411.4734/)
 *   [37] D. Erhan，Y。Bengio，A。Courville和P. Vincent。可视化深层网络的高层功能。技术报告1341，蒙特利尔大学，2009年。
-*   [38] [L. Fei-Fei，R。Fergus和R. Perona。对象类别的一次性学习。 IEEE Transactions on Pattern Analysis and Machine Intelligence，28：594“611,2006。](http://vision.cs.princeton.edu/documents/Fei-FeiFergusPerona2006.pdf)
+*   [38] [L. Fei-Fei，R。Fergus和R. Perona。对象类别的单样本学习。 IEEE Transactions on Pattern Analysis and Machine Intelligence，28：594“611,2006。](http://vision.cs.princeton.edu/documents/Fei-FeiFergusPerona2006.pdf)
 *   [39] [C. Feichtenhofer，A。Pinz和R. P. Wildes。基于时空显着性的动态编码动作。在CVPR，2015年。](http://dx.doi.org/10.1109/cvpr.2015.7298892)
 *   [40] [C. Feichtenhofer，A。Pinz和R. P. Wildes。用于视频动作识别的时空残留网络。在NIPS，2016年。](http://dx.doi.org/10.1109/cvpr.2017.787)
 *   [41] [C. Feichtenhofer，A。Pinz和R. P. Wildes。用于视频动作识别的时空乘数网络。在CVPR，2017年。](http://dx.doi.org/10.1109/cvpr.2017.787)