LibFewShot

Libfewshot

Facilite o aprendizado de poucos anos.

Libfewshot: uma biblioteca abrangente para aprendizado de poucos anos. Wenbin Li, Ziyi Wang, Xuesong Yang, Chuanqi Dong, Pinzhuo Tian, Tiexin Qin, Jing Huo, Yinghuan Shi, Lei Wang, Yang Gao, Jiebo Luo. Em Tpami 2023.

Métodos suportados

Métodos não episódicos (também conhecido como métodos baseados em ajustes finos)

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

Métodos baseados em meta-aprendizagem

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

Métodos baseados em aprendizado de métricas

• Protonet (Neurips 2017)
• RelationNet (CVPR 2018)
• Convamnet (AAAI 2019)
• DN4 (CVPR 2019)
• Pode (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)

Instalação rápida

Consulte o install.md (安装) para instalação.

Tutoriais completos podem ser encontrados no documento (中文文档).

Reprodução

Fornecemos algumas configurações validadas em reprodução, consulte ./reproduce/<Method_Name>/README.md para obter mais informações. Os significados dos símbolos são os seguintes:

As precisão reprotada pelos documentos.

As precisões reprotadas por nós mesmos.

Hiperlinks para baixar a pasta dos pontos de verificação. (Contendo config.yaml , model_best.pth e o train/test log )

? Hiperlinks para o arquivo de configuração.

Você também pode encontrar esses pontos de verificação em Model_Zoo.

Conjuntos de dados

Caltech-UCSD Birds-2000-2011, Carros Standford, Standford Dogs, Mini Imagenet, ImageNet em camadas e webcaricature estão disponíveis no Google Drive e 百度网盘 (提取码 ： Yr1W).

Contribuindo

Sinta -se à vontade para contribuir com qualquer tipo de funções ou aprimoramentos, onde o estilo de codificação segue o pep 8. Por favor, consulte a contribuição.md (贡献代码 贡献代码) para as diretrizes que contribuíram.

Licença

Este projeto está licenciado sob a licença do MIT. Consulte a licença para obter mais detalhes.

Reconhecimento

O LibFewshot é um projeto de código aberto projetado para ajudar os pesquisadores de aprendizado de poucos anos a entender rapidamente os métodos clássicos e as estruturas de código. Congratulamo -nos com outros colaboradores para usar essa estrutura para implementar seus próprios métodos impressionantes ou outros e adicioná -los ao LibFewshot. Esta biblioteca só pode ser usada para pesquisa acadêmica. Congratulamo -nos com qualquer feedback durante o uso do LIBFews e tentaremos melhorar continuamente a biblioteca.

Citação

Se você usar este código para sua pesquisa, cite nosso artigo.

 @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}
}