我正在对Omniglot 数据集进行分类，处理该主题的不同论文将该问题描述为一次性学习（分类）。我想准确地描述一下什么是一次性学习。
我很清楚，在一次性分类中，模型试图将输入分类为通过将其与每个类别中的一个示例进行比较类。
我想了解的是：
模型是否有必要从未见过输入和目标示例，才能将问题称为一次性？
古德费罗等。人。将一次性学习描述为一种极端情况下的迁移学习，其中仅呈现迁移任务的一个标记示例。那么，这是否意味着他们将训练过程视为一种持续迁移学习？模型之前学到了什么，正在转移？
一键学习的精确描述
人工智能
术语
定义
迁移学习
一次性学习
2021-11-12 22:27:21
1个回答
该模型已经学习了输入类型的“特征”，例如。面孔。对于被称为一次性的问题，它还需要正确分类/比较任何新样本。例如，在人脸识别应用中，任何新人的图像也应该对他们自己的图像产生正面影响，而对任何其他看到或未看到的图像产生负面影响。
由于我们使用的是最终特征层的欧几里德距离而不执行任何最终分类，我们可以说我们使用的是预训练网络的权重并使用该（距离）计算最终值，从而进行迁移学习。这里面没有反向传播，但是你想对嵌入做的事情，比如学习一个阈值函数可以被认为是学习。
其它你可能感兴趣的问题