LibFewShot

Libfewshot

Machen Sie ein paar Schüsse Lernen.

Libfewshot: Eine umfassende Bibliothek für wenige Lernen. Wenbin Li, Ziyi Wang, Xuesong Yang, Chuanqi Dong, Pinzhuo Tian, Tiexin Qin, Jing Huo, Yinghuan Shi, Lei Wang, Yang Gao, Jiebo Luo. In TPAMI 2023.

Unterstützte Methoden

Nicht-episodische Methoden (AKA-Feinabstimmungsmethoden)

• Grundlinie (ICLR 2019)
• Baseline ++ (ICLR 2019)
• RFS (ECCV 2020)
• SKD (BMVC 2021)
• Negcos (ECCV 2020)
• S2M2 (WACV 2020)
• Meta-Baseline (ICCV 2021)
• Diffkendall (Neurips 2023)

Meta-Learning-basierte Methoden

• MatchingNet (Neurips 2016)
• MAML (ICML 2017)
• Versa (Neurips 2018)
• R2D2 (ICLR 2019)
• Leo (ICLR 2019)
• MTL (CVPR 2019)
• Anil (ICLR 2020)
• IFSL (Neurips 2020)
• Kochen (ICLR 2021)
• Metall (ICCV 2021)

Methoden mit metrisch-lernbasiertem

• Protonet (Neurips 2017)
• RelationNet (CVPR 2018)
• Convamnet (AAAI 2019)
• DN4 (CVPR 2019)
• Can (Neurips 2019)
• ATL-NET (IJCAI 2020)
• ADM (IJCAI 2020)
• DSN (CVPR 2020)
• Feat (CVPR 2020)
• Renet (ICCV 2021)
• FRN (CVPR 2021)
• DeepBDC (CVPR 2022)
• MCL (CVPR 2022)
• CPEA (ICCV 2023)

Schnelle Installation

Weitere Informationen finden Sie in Install.md (安装) zur Installation.

Komplette Tutorials finden Sie im Dokument (中文文档).

Reproduktion

Wir bieten einige validierte Konfigurationen in Reproduzieren. Weitere Informationen finden Sie unter ./reproduce/<Method_Name>/README.md Die Bedeutungen der Symbole sind wie folgt:

Die Genauigkeiten, die durch die Papiere wiedergegeben wurden.

Die von uns selbst wiedergegebenen Genauigkeiten.

Hyperlinks zum Herunterladen des Checkpoints -Ordners. (Enthält config.yaml , model_best.pth und das train/test log )

? Hyperlinks zur Konfigurationsdatei.

Sie können diese Checkpoints auch unter model_zoo finden.

Datensätze

Caltech-UCSD Birds-200-2011, Standford Cars, Standford Dogs, Mini ImageNet, Stufeed ImageNet und Webcaricature sind bei Google Drive und 百度网盘 (： ： Yr1w) erhältlich.

Beitragen

Bitte zögern Sie nicht, irgendwelche Funktionen oder Verbesserungen beizutragen, bei denen der Codierungsstil Pep 8 folgt.

Lizenz

Dieses Projekt ist unter der MIT -Lizenz lizenziert. Weitere Informationen finden Sie unter Lizenz.

Anerkennung

LibFewshot ist ein Open-Source-Projekt, mit dem nur wenige Lernforscher die klassischen Methoden und Codestrukturen schnell verstehen können. Wir begrüßen andere Mitwirkende, um diesen Framework zu verwenden, um ihre eigenen oder anderen beeindruckenden Methoden zu implementieren und sie zu libfewshot hinzuzufügen. Diese Bibliothek kann nur für die akademische Forschung verwendet werden. Wir begrüßen alle Feedback während der Verwendung von libfewshot und werden unser Bestes geben, um die Bibliothek kontinuierlich zu verbessern.

Zitat

Wenn Sie diesen Code für Ihre Forschung verwenden, zitieren Sie bitte unser Papier.

 @article{li2021LibFewShot,
title = {LibFewShot: A Comprehensive Library for Few-Shot Learning},
author={Li, Wenbin and Wang, Ziyi and Yang, Xuesong and Dong, Chuanqi and Tian, Pinzhuo and Qin, Tiexin and Huo Jing and Shi, Yinghuan and Wang, Lei and Gao, Yang and Luo, Jiebo},
journal = {IEEE Transactions on Pattern Analysis & Machine Intelligence},
year = {2023},
number = {01},
issn = {1939-3539},
pages = {1-18}
}