LibFewShot

Libfewshot

Facilitar el aprendizaje de pocos disparos.

Libfewshot: una biblioteca integral para el aprendizaje de pocos disparos. Wenbin Li, Ziyi Wang, Xuesong Yang, Chuanqi Dong, Pinzhuo Tian, Tiexin Qin, Jing Huo, Yinghuan Shi, Lei Wang, Yang Gao, Jiebo Luo. En Tpami 2023.

Métodos compatibles

Métodos no episódicos (también conocidos como métodos basados en ajuste fino)

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

Métodos basados en meta-aprendizaje

• Matchingnet (Neurips 2016)
• MAML (ICML 2017)
• Versa (Neurips 2018)
• R2D2 (ICLR 2019)
• Leo (ICLR 2019)
• MTL (CVPR 2019)
• Anil (ICLR 2020)
• IFSL (Neurips 2020)
• Hervir (ICLR 2021)
• Metal (ICCV 2021)

Métodos basados en el aprendizaje métrico

• 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)
• Hazaña (CVPR 2020)
• Renet (ICCV 2021)
• FRN (CVPR 2021)
• DeepBDC (CVPR 2022)
• MCL (CVPR 2022)
• CPEA (ICCV 2023)

Instalación rápida

Consulte Install.md (安装) para la instalación.

Se pueden encontrar tutoriales completos en el documento (中文文档).

Reproducción

Proporcionamos algunas configuraciones validadas en reproducción, consulte ./reproduce/<Method_Name>/README.md para obtener más información. Los significados de los símbolos son los siguientes:

Las precisiones reprodicidas por los documentos.

Las precisiones reprodicidas por nosotros mismos.

Hyperlinks para descargar la carpeta de puntos de control. (Que contiene config.yaml , model_best.pth y el train/test log )

? Hyperlinks al archivo de configuración.

También puede encontrar estos puntos de control en model_zoo.

Conjuntos de datos

Caltech-UCSD Birds-200-2011, Standford Cars, Standford Dogs, Mini ImageNet, Tiered ImageNet y WebCaricature están disponibles en Google Drive y 百度网盘 百度网盘 (： ： Yr1W).

Que contribuye

No dude en contribuir con cualquier tipo de funciones o mejoras, donde el estilo de codificación sigue a Pep 8. Consulte amablemente a contribuir. MD (贡献代码) para las pautas contribuyentes.

Licencia

Este proyecto tiene licencia bajo la licencia MIT. Vea la licencia para más detalles.

Reconocimiento

Libfewshot es un proyecto de código abierto diseñado para ayudar a los investigadores de aprendizaje de pocos disparos a comprender rápidamente los métodos y estructuras de código clásicos. Agradecemos a otros contribuyentes a usar este marco para implementar sus propios métodos u otros métodos impresionantes y agregarlos a Libfewshot. Esta biblioteca solo se puede utilizar para la investigación académica. Agradecemos cualquier comentario durante el uso de Libfewshot y hará todo lo posible para mejorar continuamente la biblioteca.

Citación

Si usa este código para su investigación, cite nuestro documento.

 @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}
}