LibFewShot

Libfewshot

Rendre l'apprentissage à quelques coups.

LibFewshot: une bibliothèque complète pour l'apprentissage à quelques coups. Wenbin Li, Ziyi Wang, Xuesong Yang, Chuanqi Dong, Pinzhuo Tian, Tiexin Qin, Jing Huo, Yinghuan Shi, Lei Wang, Yang Gao, Jiebo Luo. Dans TPAMI 2023.

Méthodes supportées

Méthodes non épisodiques (alias méthodes basées sur les réglages)

• Baseline (ICLR 2019)
• Baseline ++ (ICLR 2019)
• RFS (ECCV 2020)
• SKD (BMVC 2021)
• Negcos (ECCV 2020)
• S2M2 (WACV 2020)
• Méta-bascule (ICCV 2021)
• Diffkendall (Neirips 2023)

Méthodes basées sur le méta-apprentissage

• MatchingNet (Neirips 2016)
• MAML (ICML 2017)
• Versa (Neirips 2018)
• R2D2 (ICLR 2019)
• Leo (ICLR 2019)
• MTL (CVPR 2019)
• ANIL (ICLR 2020)
• IFSL (NIRIPS 2020)
• Ébullition (ICLR 2021)
• Métal (ICCV 2021)

Méthodes basées sur learrique

• Protonet (Neirips 2017)
• RelationNet (CVPR 2018)
• Convamnet (AAAI 2019)
• DN4 (CVPR 2019)
• Can (Neirips 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)

Installation rapide

Veuillez vous référer à install.md (安装) pour l'installation.

Des tutoriels complets peuvent être trouvés sur Document (中文文档).

Reproduction

Nous fournissons quelques configurations validées en reproduction, veuillez vous référer à ./reproduce/<Method_Name>/README.md pour de nouvelles informations. Les significations des symboles sont les suivantes:

Les précisions reproduites par les papiers.

Les précisions reproduites par nous-mêmes.

Hyperliens pour télécharger le dossier des points de contrôle. (Contenant config.yaml , model_best.pth et le train/test log )

? Hyperlien vers le fichier de configuration.

Vous pouvez également trouver ces points de contrôle sur Model_Zoo.

Ensembles de données

Caltech-UCSD Birds-200-2011, Standford Cars, Standford Dogs, Mini Imagenet, ImageNet et webcaricature à plusieurs niveaux sont disponibles chez Google Drive et 百度网盘 (提取码 ： YR1W).

Contributif

N'hésitez pas à contribuer tout type de fonctions ou d'améliorations, où le style de codage suit PEP 8. Veuillez vous référer à contribuer.md (贡献代码) pour les directives de contribution.

Licence

Ce projet est autorisé sous la licence du MIT. Voir la licence pour plus de détails.

Reconnaissance

LibFewshot est un projet open source conçu pour aider les chercheurs à apprentissage à quelques coups à comprendre rapidement les méthodes classiques et les structures de code. Nous nous réjouissons d'autres contributeurs pour utiliser ce cadre pour mettre en œuvre leurs propres méthodes ou autres méthodes impressionnantes et les ajouter à libfewshot. Cette bibliothèque ne peut être utilisée que pour la recherche universitaire. Nous nous félicitons de tout commentaire lors de l'utilisation de LibFewshot et ferons de notre mieux pour améliorer continuellement la bibliothèque.

Citation

Si vous utilisez ce code pour vos recherches, veuillez citer notre article.

 @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}
}