我對小樣本學習的誤解與困惑
我們的「小樣本」真的很小嗎？
我們似乎習慣性的拿深度學習的大量資料集訓練，與人類嬰兒做對比。並藉此來嘲諷ai:you are not as good as me, you are loser.
但，最近的一些不連貫的思考，使我開始反思，我們人類小樣本真的比機器學習與深度學習小嗎？
然而，作為一名長期患有face blindness 的我。很難僅僅依賴圖源資訊完成"視覺影象上的"人⇒人的識別，還記得轉學的時候(小學二年級由老家到保定借讀)，我除了聽課以外，還要花大量的課堂時間，通過老師點名同學回答問題，來觀察並記錄全班同學的姓名，座位，以及聲音。至少在剛剛入學的一大段時間裡，我沒有將所有的精力集中於聽課，重心幾乎全部放在了整合全班同學的身份標識上。
或許就像嬰兒那樣，只要是female就是媽媽，也或者依靠體味資訊吧。我更多的是依賴於對聲音與體態的運動特徵，來對具體的物件進行再記憶。
在舉乙個極端的例子，就是薩爾路斯獵狼犬和哈士奇的與狼放到一起，我將很難分出哪條是狼，哪條是犬。
僅僅從以上臉盲症患者識別人的策略來對應影象識別技術。我們的「小樣本」學習其實並不小，我們的足夠多元。從維度上將我們具備五個維度:
廣泛的圖源表徵、運動偵測、聲音紋理、超曲面(三維景深/虛擬景深)、互動行為反饋。
我們至少基於該五類綜合分析下的少量資料集，再最終落實到大量的圖元資料的識別上。雖然我們的訓練資料遠遠不及我們的ai，但我們有不同型別的學習樣本，以及跨界資訊整合關鍵要素的能力。僅在這一點上，我們的ai似乎只有單一的同型別圖元資訊標註集。
由此，我們對同一物體的識別上，我們的基數是5.0000xn ：1.0000xn。若我們將單一圖元資訊列為小數點之後的數字標度，那麼5.2與 1.7846195634956197546154616比誰更大一些哪？
在三維景深/虛擬景深，我們的大腦能夠快速的完成超曲面的表徵化，以及平面圓盤投影，就像「老顧談幾何」中對虛幻引擎所解構的那樣。
小樣本點雲深度學習庫 域自適應小樣本學習
題目 domain adaptive few shot learning 6小樣本學習 few shot learning,fsl 在深度學習領域具有重要意義，在本文中小樣本學習被當作乙個遷移學習 源域和目標域之間進行遷移 問題。通常來說目標域的訓練樣本數量較少，而且與源域的領域不同。域自適應小樣本...
小樣本點雲深度學習庫 小樣本學習 資料層面的方法
網際網路大資料處理技術與應用 的相關教學資源 網路爬蟲的完整技術體系 我的資料誰做主？充足的標註樣本是保證分類器成功的主要因素，然而現實中由於隱私 代價等許多問題，樣本不足是經常遇到的問題。而人類可以從很少的中抽象出乙個新的概念，甚至可以不看就可以得到新的概念，比如告訴小孩帶條紋的馬叫做斑馬，當他今...
小樣本學習
眾所周知，深度學習是機器學習發展中乙個非常重要的里程碑，在很多任務上深度學習都取得了巨大的成功。然而，由於深度模型包含的引數很多，通常需要大量的有標籤的資料才能進行模型訓練，這點嚴重地限制了它的應用 在很多場景下，收集大量的有標籤的資料是非常昂貴 困難 甚至不可能的，比如醫療資料 手機上使用者手動標...