合肥网页网站制作模板网站建设
一、小样本学习
1、小样本学习介绍
小样本学习（Few-Shot Learning, FSL）是机器学习的一个分支，旨在解决模型在极少量标注样本（甚至单样本）下快速学习和泛化的问题。其核心目标是让模型具备类似人类的“举一反三”能力，通过少量示例就能识别或处理新任务。
传统深度学习需要大量标注数据，但在现实场景中（如医疗、罕见物体识别），标注数据可能极其稀缺。
2、小样本学习的的关键方法
小样本学习的实现通常依赖以下技术：
元学习（Meta-Learning）：训练模型掌握“如何学习”，而非直接学习特定任务。
数据增强与生成：利用生成对抗网络（GAN）或变分自编码器（VAE）生成合成样本，扩充训练数据。
度量学习（Metric Learning）学习一个嵌入空间，使得相似样本靠近、不相似样本远离。
迁移学习（Transfer Learning）在大规模数据集（如ImageNet）上预训练模型，再微调少量新数据。例如：冻结底层特征提取层，仅调整分类头。
3、学习框架
首先使用一个较大的数据集作为训练集training set，这个训练集是有标签的，每个标签下有充足的样本，使用合适的网络模型进行训练，使模型学会区分每一类数据的差别，即训练出一个相似度函数。训练后，给模型一个query，这个query没有出现在原始训练集中，同时提供一个支持集supprot set，支持集中有小样本数据，这些数据也有标签。通过对比query和support set中照片的相似度，找到与query最相似的照片，进而得到query的标注数据。
对于support set中的一些概念：给出k个类别就是k-way，每个类别有n个样本就是one-shot，下图所示的支持集是six-way one-shot。不难理解，如果支持集中分类的类别数越多，则模型想要挑选出最合适的类别会更难，accuracy会下降；如果支持集中每个类别提供的样本数越多，则越容易捕捉到共同特征，找到正确分类，accuracy会更高。如下图所示。
小样本学习与传统监督学习的区别：传统的监督学习要求模型学习训练数据，并将其泛化到测试数据，而few-shot learning或者meta learning是让模型自己学会学习。
二、训练相似度函数的方法：孪生神经网络（siamese network）
1、对比损失优化
①数据标记：从原始数据集中生成正负样本对。正样本对是从同一类别中随机选取两个样本（例如同一人的不同人脸图像），负样本对是从不同类别中各选一个样本（例如不同人的图像），形成如下图所示的样本对。
②模型构建：使用同一个卷积神经网络提取图片特征，得到表征图片的特征向量。使用度量两个特征向量之间的差异，后接全连接层得到一个标量，使用sigmoid函数将标量值映射到-1~1之间，输出值越接近target说明分类越准确。损失函数是target和output的差异，通过反向传播更新模型参数，使输出更接近target。
③模型应用：给定一个query和一组支持集，将query和支持集中的每个样本组队输入到模型中，得到一个相似度输出，输出值最大的pair的支持集中样本标注即是该query的标注。
2、三元组损失优化（triplet loss）
三元组损失（Triplet Loss） 是深度学习中的一种损失函数，专门用于训练模型学习区分性特征表示（即让相似样本在特征空间中靠近，不相似样本远离）。
①数据标记：三元组损失通过同时比较一个锚点样本（Anchor）、一个正样本（Positive）和一个负样本（Negative）。
Anchor（A）：选定的基准样本。
Positive（P）：与 Anchor 同类的另一个样本。
Negative（N）：与 Anchor 不同类的样本。
②模型构建：同样可以使用同一个卷积神经网络得到图片的特征向量，优化模型使得：锚点与正样本的距离 d(A,P) 尽可能小（同类更接近）。锚点与负样本的距离 d(A,N) 尽可能大（异类更远离）。并且要求 d(A,P)d(A,P) 至少比 d(A,N) 小一个边际值（Margin）α。
loss的数学表达式：
其中：d(A,P)是锚点与正样本的特征距离。d(A,N)：锚点与负样本的特征距离。α：超参数，控制正负样本对的区分强度。
③模型应用：给定一个query和一组支持集，将query和支持集中的每个样本组队输入到模型中，得到一个距离输出，输出值最小的pair的支持集中样本标注即是该query的标注。
三、小样本预测方法
1、使用余弦相似度来代替第二节提到的2种相似度和距离的计算方法
余弦相似度（Cosine Similarity） 是一种衡量两个向量方向相似程度的指标，通过计算它们夹角的余弦值来评估相似性。当两个向量的模长是1时，余弦相似度就为他们的内积；若不为1，则需要归一化到1，再做内积。
这种方法使用的场景一般是：support set是3-way 2-shot的情况，对于每一类中的两个shot经过网络得到特征向量，再计算均值和归一化得到μ，这里的M是
预测时，query的特征向量与三个support set的特征向量做内积，即余弦相似度，得到最终的预测概率，概率最大的即为正确分类的标签。
2、使用支持集进行微调
①合理初始化：前面直接将M与q做内积得到余弦相似度，在这里，添加两个可训练参数，相当于一个全连接层，权重W初始化为M，偏差b初始化为0，进行训练。损失函数是支持集预测类别和真实类别的交叉熵损失。
②在query预测时，增加entropy regularization。每次预测会有很多个query，对每一个query计算熵值，再求所有熵值的平均，这个值应该越小越好
