**題目：domain-adaptive few-shot learning小樣本學習（few shot learning, fsl）在深度學習領域具有重要意義，在本文中小樣本學習被當作乙個遷移學習（源域和目標域之間進行遷移）問題。通常來說目標域的訓練樣本數量較少，而且與源域的領域不同。域自適應小樣本學習（domain-adaptive few-shot learning (da-fsl），這意味著在目標類的樣本很少的情況下，從源類訓練的模型要適應新域和新的類別。6
傳統的域自適應問題是使用對抗學習策略讓源域和目標域對齊（這裡的對齊指的是全域性資料層面的對齊），其全域性分布會間接實現源域和目標域中類別層面的對齊。但是本文的域自適應問題來說，這是乙個不必要的方面，因為目標類與源類不同。
因此，除了使用傳統的域自適應方法，本文在嵌入特徵之前引入新的損，以增強源/目標類的區分能力:
①通過對源域和目標域進行對齊，降低域之間的差異；
②每個類的分布沒有對齊，但是源類和目標類仍然可以很好地分離。
本文首先使用resnet18及進行源域和目標域的特徵提取，從而得到
（embedding module）來消除任何領域的特別資訊（對齊源域和目標域）。
然後，為了進一步對齊文中使用域自適應損失（domain adaptive loss）。domain adaptive loss如下，其中
分類結果
但是上述domain adaptive loss容易導致類別層次的過度對齊。為了解決這個問題，文中引入了乙個域區分損失（domain discriminative loss），使得每個域內的每個類的分布是不同的。domain discriminative loss如下：
文中使用原型網路作為小樣本學習模型的主要元件。（以源域為例，目標域同理）首先，作者從源域中選取支援集
類別分布，通過計算樣本嵌入
和類別
的歐式距離：
最後，通過通過隨機梯度下降法最小化目標函式，其中
為真實標籤：
原型網路的詳細解釋：小樣本學習（few-shot learning）之--原形網路（prototypical networks）
dingmyu/dapngithub.com
小樣本點雲深度學習庫 小樣本學習 二
我對小樣本學習的誤解與困惑 我們的 小樣本 真的很小嗎？我們似乎習慣性的拿深度學習的大量資料集訓練，與人類嬰兒做對比。並藉此來嘲諷ai you are not as good as me,you are loser.但，最近的一些不連貫的思考，使我開始反思，我們人類小樣本真的比機器學習與深度學習小嗎...
小樣本點雲深度學習庫 小樣本學習 資料層面的方法
網際網路大資料處理技術與應用 的相關教學資源 網路爬蟲的完整技術體系 我的資料誰做主？充足的標註樣本是保證分類器成功的主要因素，然而現實中由於隱私 代價等許多問題，樣本不足是經常遇到的問題。而人類可以從很少的中抽象出乙個新的概念，甚至可以不看就可以得到新的概念，比如告訴小孩帶條紋的馬叫做斑馬，當他今...
點雲深度學習
參考部落格 研究背景 我們周圍的世界是三維，三維研究可以讓機器更好地感知周圍環境。有效的三維特徵表示是實現點雲配準 三維模型重建 三維形狀檢索 場景語義分割等視覺任務的基礎。三維資料表示 point cloud polygonal meshes volumetric multi view image...