《表2 基于迁移学习的少样本学习方法总结》
注:±表示在任务中95%的置信区间;测试数据为在Mini Image Net的five-way,one-shot结果。
与上述迁移方法略有不同,文献[34]从大量样本集中学习的模型w0中学习了一个通用的类别不可知变换T,这些模型是从大样本集中学习的,在大型模型对集合上具有深度模型回归网络,使用的分类模型是线性SVM。对于一个新的类别/任务,引入T来构建少数样本的目标模型。因此,通过转移T来预测少数例子的目标识别模型w*,其主要思想是利用在大样本集中学习模型时获得的知识从少量样本中识别新的类别。表2总结了基于迁移学习的少样本学习方法。
图表编号 | XD00198005500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.05 |
作者 | 李新叶、龙慎鹏、朱婧 |
绘制单位 | 华北电力大学电子与通信工程系、华北电力大学电子与通信工程系、华北电力大学电子与通信工程系 |
更多格式 | 高清、无水印(增值服务) |