摘要：
卡耐基梅隆大学(CMU)深度学习基础课Probabilistic Graphical Models内容解读。 本文为卡耐基梅隆大学深度学习基础课Probabilistic Graphical Models课程中 Statistical and Algorithmic Foundations of Deep Learning 部分的内容，报告人为Eric Xing。 阅读全文
最新小样本学习综述 A Survey on Few-Shot Learning | 四大模型Multitask Learning、Embedding Learning、External Memory…
摘要：
本文介绍当前最新小样本学习综述中关于模型方法的部分，具体包括Multitask Learning、Embedding Learning、Learning with External Memory、Generative Modeling四个部分。 阅读全文
摘要：
[toc] 原文链接： "joselynzhao·CSDN·MacBook键盘锁定、按键失效、无反应等问题" MacBook按键无反应 最近被ubuntu虚拟机折腾得够呛，关机之后再启动就各种问题 于是我瞎百度了一波，各种快捷键一阵瞎按。 结果就是，我发现的键盘失灵了，按什么键都没有反应。 相应“重 阅读全文
摘要：
[toc] 原文链接： "https://blog.csdn.net/NGUever15/article/details/71353168" 1 “4+1”视图建模方法 软件架构常用模型就是视图模型，类似于RM ODP的视点模型，可以从多个角度描述一个复杂的软件系统。最流行的视图模型就是“4+1”视 阅读全文
摘要：
本文内容来源于最新小样本学习综述《Generalizing from a Few Examples: A Survey on Few-Shot Learning》中的第三节——Data部分。该部分内容主要讲如何通过先验知识达到数据增强的目的。文中把现有的数据增强方法归纳为三种:（1）Transforming Samples from Dtrain，（2）Transforming Samples from a Weakly Labeled or Unlabeled Data Set ，（3）Transforming Samples from Similar Data Sets。本文将会对这三种数据增强方法做相关介绍。 阅读全文
摘要：
机器学习在数据密集型应用程序中非常成功，但是在数据集较小时通常会受到阻碍。近来，提出了“少量学习”（FSL）来解决这个问题。使用现有知识，FSL可以快速推广到仅包含少量带有监督信息的样本的新任务。在本文中，我们进行了彻底的调查，以全面了解FSL。从FSL的正式定义开始，我们将FSL与几个相关的机器学习问题区分开来。然后，我们指出FSL的核心问题是经验风险最小化工具不可靠。根据如何使用先验知识来处理此核心问题，我们从三个角度对FSL方法进行了分类。 阅读全文
摘要：
摘要近年来，通过深度学习对植物叶片进行分类的方法已逐渐成熟。但是，基于深度学习训练叶分类器需要大量样本进行监督训练。本文提出了一种基于孪生网络框架的小样本学习方法，以解决小样本量的叶子分类问题。首先，通过具有权重的并行双向卷积神经网络提取两个不同图像的特征。然后，网络使用损失函数学习度量空间，在度量空间中，相似的叶子样本彼此接近，而不同的叶子样本彼此远离。此外，提出了一种用于构建度量空间的空间结构优化器（SSO）方法，这将有助于提高叶片分类的准确性。最后，使用k最近邻（kNN）分类器对学习的度量空间中的叶子进行分类。平均分类精度用作性能指标。开放式Flavia，Swedish和Leafsnap数据集用于评估该方法的性能。实验结果表明，所提出的方法能够以较小的监督样本量实现较高的分类精度。 阅读全文