| |
|
开发:
C++知识库
Java知识库
JavaScript
Python
PHP知识库
人工智能
区块链
大数据
移动开发
嵌入式
开发工具
数据结构与算法
开发测试
游戏开发
网络协议
系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程 数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁 |
-> 人工智能 -> 元学习论文解读 | Cross-Domain Few-shot Classification via Learned Feature-Wise Transformation ICLR 2020 -> 正文阅读 |
|
[人工智能]元学习论文解读 | Cross-Domain Few-shot Classification via Learned Feature-Wise Transformation ICLR 2020 |
目录 4. Feature-wise transformation layer 5. Learning the feature-wise transformation layer 1. motivation虽然基于度量的元学习方法在解决小样本问题时性能良好,但由于特征分布在不同领域之间的巨大差异,这些方法往往无法推广到不可见的领域。 2. contribution本文所提出的FWT是基于度量学习的,主要创新点如下:
3. 问题定义基于度量学习的方法解决小样本问题的过程如下:
其中,E是feature encoder,M是metric function。训练目标就是最小化分类损失: 本文希望达到的目标是在测试时能够有效泛化到unseen domains。 4. Feature-wise transformation layer如图2所示,本文向feature encoder E引入特征变换层对其进行仿射变换。
超参数
那么调制后的特征激活图就为:
在应用时是将转换层插入到encoder的多个层后面。事实上Film采用的也是这种仿射变换的方式。 5. Learning the feature-wise transformation layer在每个iteration,从seen domians? ?然后基于得到的模型参数在 ? 可以理解为模型参数已经在
6. 实验部分source domain =?Mini-ImageNet: source domain =??Mini-ImageNet+3个source domain (leave-one-out): 7. 总结这种特征转换能都有效是否取决于 |
|
|
上一篇文章 下一篇文章 查看所有文章 |
|
开发:
C++知识库
Java知识库
JavaScript
Python
PHP知识库
人工智能
区块链
大数据
移动开发
嵌入式
开发工具
数据结构与算法
开发测试
游戏开发
网络协议
系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程 数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁 |
360图书馆 购物 三丰科技 阅读网 日历 万年历 2025年4日历 | -2025/4/2 10:08:12- |
|
网站联系: qq:121756557 email:121756557@qq.com IT数码 |