Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
明天^O^昨天
apachecn-dl-zh
提交
1fabf138
A
apachecn-dl-zh
项目概览
明天^O^昨天
/
apachecn-dl-zh
与 Fork 源项目一致
Fork自
OpenDocCN / apachecn-dl-zh
通知
1
Star
1
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
A
apachecn-dl-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
提交
1fabf138
编写于
7月 27, 2021
作者:
W
wizardforcel
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
2021-07-27 22:46:06
上级
2ba65029
变更
3
隐藏空白更改
内联
并排
Showing
3 changed file
with
4 addition
and
4 deletion
+4
-4
docs/handson-tl-py/4.md
docs/handson-tl-py/4.md
+1
-1
docs/super-machine-learning-revision-notes/README.md
docs/super-machine-learning-revision-notes/README.md
+2
-2
docs/what-do-we-understand-about-convnet/ref.md
docs/what-do-we-understand-about-convnet/ref.md
+1
-1
未找到文件。
docs/handson-tl-py/4.md
浏览文件 @
1fabf138
...
...
@@ -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
浏览文件 @
1fabf138
...
...
@@ -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
浏览文件 @
1fabf138
...
...
@@ -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
)
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录