深度學習筆記(25)：Few-Shot Learning

Few-Shot Learning

我們有1張圖片(query，是未知的class)，要去預測其class為何。這時候，透過訓練一個Siamese的神經網路，來進行圖片(support set)相似度的預測或者比較其與support set間的距離。

Support set有兩個參數，k-way代表k個class，n-shot代表每個class有n張圖片(samples)。

通常來說，k越小越容易，準確度越高；n越多，準確度也會越高。

值得注意的是，我們的訓練集不包含K classes，也就是說，其實我們的訓練集並不知道classes有哪些。

細談Siamese Network

我們有X1和X2兩張圖片，透過了h1和h2的卷積網路後，經過Dense Layers，最後輸出sigmoid函數去判斷X1和X2之間的相似度有多高，我們希望這個Loss越低越好，這樣就代表著，我們的預測值和實際值相當接近。

除此之外，我們還學習到了一個叫作Triplet Loss的概念。X+代表正樣本；Xa代表anchor；X-代表負樣本。

我們分別將這3個sample透過f這個function得出了結果，再透過距離計算公式(正、負樣本與anchor之間的距離)，得出d+、d-。

我們希望我們的anchor離正樣本的距離越小越好，代表越相似；離負樣本的距離越大越好，代表我們的預測結果能明顯分出跟負樣本間的差異。

回顧：

上下兩張投影片分別回顧了整個系列課程影片的內容