小样本学习（Few-Shot Learning）基本概念 VS 监督学习

 监督学习

使用传统训练集学习一个模型，模型训练好之后，给模型看新的图片做预测。

测试样本图片属于已知类别，模型未见过的图片。

小样本学习：

小样本学习的目标：

让机器学会学习。学习的目的是理解事物的异同，学会区分不同的事物。

给两张图片，不是让模型识别出是什么，而是两张图片是相同的东西还是不同的东西。

训练后的目标是，在没有进行训练的类别中，模型是否可以识别未知类别是否是同一内容。

1、支持集（Support Set）：

少量标注样本，即有标签样本。小就体现在这里。

其中，任务形式通常描述为N-way,K-shot形式定义：

• N-way：分类任务包括N个类别；
• K-shot：每个类别提供K个标注样本（支持集）

例如，下面图片中，

1、支持集分为四类，每类有两张标注样本，此时，该任务描述为4-way 2-shot

2、支持集分为两类（犰狳和穿山甲），每类有两张标注样本（两张犰狳和两张穿山甲）。此时，该任务可以描述为：2-way 2-shot

2、查询集（Query Set）：

模型需对未知样本进行分类，即无标签样本。

例如，下面图片中，需要识别当前图片为哪一类。

其中，支持集和查询集类别一致。

3、训练集（Training Set）：

训练集规模很大，每一类下面都有很多图片，足以训练一个神经网络。

训练的目的是让模型知道事物的异同。

之后，靠支撑集提供的一点信息，去识别查询集中的内容是什么。

4、预测准确率：

随着类别增加，分类准确率会降低。

每个类别的样本越多，做预测越准确。