Directorio de artículos
- prefacio
- descripción general
- Punto de referencia propuesto
- Mecanismo general con CD-FSS
- patrón
- Estrategia de inferencia ajustada a la tarea (TFI)
- Experimenta y Visualiza
- Resumir
- Link de referencia
- Artículos de la misma serie
prefacio
Después de la serie de procesamiento de imágenes médicas, hemos vuelto al tema de la segmentación semántica de muestras pequeñas.También ordené los enlaces a las notas de lectura anteriores al final del artículo. La segmentación semántica de pocos disparos tiene como objetivo aprender a segmentar una nueva clase de objeto con solo unas pocas muestras etiquetadas, y la mayoría de los métodos existentes consideran la configuración de clases base de muestreo del mismo dominio que la nueva clase (suponiendo que el dominio de origen y los dominios de destino son similares). ). Sin embargo, en muchas aplicaciones no es factible recopilar suficientes datos de entrenamiento para el metaaprendizaje. Este documento también amplía la segmentación semántica de muestras pequeñas a una nueva tarea, denominada segmentación semántica de muestras pequeñas entre dominios (CD-FSS), que generaliza el metaconocimiento de dominios con etiquetas de entrenamiento suficientes para dominios de bajos recursos, y establece CD -FSS: un nuevo punto de referencia para las tareas de FSS.
Antes de comenzar a presentar CD-FSS, comprendamos los conceptos de aprendizaje entre dominios y de muestras pequeñas en un sentido amplio (los artículos posteriores de esta serie no se presentarán en detalle). El aprendizaje de muestras pequeñas se puede dividir en aprendizaje de disparo cero (es decir, para identificar muestras de categorías que no han aparecido en el conjunto de entrenamiento) y aprendizaje de disparo único/aprendizaje de disparos pocos (es decir, en el conjunto de entrenamiento, cada categoría tiene un o varias muestras). Varios conceptos importantes relacionados:
Dominio: Un dominio D consta de un espacio de características X y una distribución de probabilidad marginal P(X) en el espacio de características, donde X=x1,x2,…,xn, P(X) representa la distribución de X.
Tarea: Dado un dominio D={X, P(X)}, una tarea T consta de un espacio de etiquetas Y y una distribución de probabilidad condicional P(Y|X)&