《表2 基于度量学习的少样本方法总结》
注:“±”表示在任务中95%的置信区间。
两种基于度量学习的少样本学习方法对比如表2所示。与其他方法相比,第一种使用欧式距离或余弦距离等固定距离的度量方法在单样本学习(one-shot learning)中可以取得非常好的结果,但这种人为设计的度量方式存在一定局限性。因此,研究人员提出使用深度神经网络来学习样本之间的特征距离的方法,同时也使用了不同的损失函数来训练网络。从实验结果可知,可学习的度量方式优于固定距离的度量方式。
图表编号 | XD00191530200 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.28 |
作者 | 卢依宏、蔡坚勇、郑华、曾远强 |
绘制单位 | 福建师范大学光电与信息工程学院、福建师范大学光电与信息工程学院、福建师范大学光电与信息工程学院、福建师范大学光电与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |