论文地址：https://arxiv.org/abs/2203.13903代码地址：https://github.com/facebookresearch/sylph-few-shot-detection目录1、存在的问题2、算法简介3、算法细节3.1、基础检测器3.2、小样本超网络3.2.1、支持集特征提取3.2.2、代码预测3.2.3、代码聚合和归一化3.3、基础检测器的训练3.4、超网络的训练3.5、元测试4、实验4.1、对比实验4.2、消融实验4.3、学习能力测试5、结论1、存在的问题目前的小样本目标检测方法：基于两阶段微调、基于元学习。基于微调：首先在基类上进行预训练，然后在来自基类
论文全称：AdaAfford:LearningtoAdaptManipulationAffordancefor3DArticulatedObjectsviaFew-shotInteractions文章目录1.为什么做这件事&做了件什么事2.介绍3.相关工作3Dshapes中的视觉affordance通过少量交互的快速适应4.问题定义5.方法5.1测试推理过程的简述5.2输入编码器5.3AAP5.4AIP5.5训练与损失5.6对第5章内容的个人小结6.实验6.1Baseline和评估指标6.2结果与分析7.总结和限制8.slide参考1.为什么做这件事&做了件什么事与如橱柜、门、水龙头等三维铰接
论文阅读——APre-trainedSequentialRecommendationFramework:PopularityDynamicsforZero-shotTransfer’一个预训练的顺序推荐框架：零样本迁移的流行动态‘摘要：在在线应用的成功中，如电子商务、视频流媒体和社交媒体，顺序推荐系统是至关重要的。虽然模型架构不断改进，但对于每个新的应用领域，我们仍然需要从头开始训练一个新模型以获得高质量的推荐。另一方面，预训练的语言和视觉模型在零样本或少样本适应到新应用领域方面取得了巨大成功。受到同行AI领域预训练模型成功的启发，我们提出了一种新颖的预训练顺序推荐框架：PrepRec。我们通
点击上传截图只能上传jpg/png文件，且不超过5M提交取消import{Button,Tooltip,Dialog,Form,Row,Col,FormItem,Upload,Link,Input,}from'element-ui'importhtml2canvasfrom'html2canvas'importScreenShotfrom'js-web-screen-shot'importtempfrom'./images/m-temp.jpg'//importtempfrom'../../../bizapp/m-biz.jpg'importtemp2from'./images/m-temp2
Zero-shotRISSOTA：TextAugmentedSpatial-awareZero-shotReferringImageSegmentation论文阅读笔记一、Abstract二、引言三、相关工作3.1Zero-shot分割3.2ReferringImageSegmentation3.3ImageCaptioning四、方法4.1总体框架4.2MaskProposal网络FreeSOLOvs.SAM4.3文本增强的视觉-文本匹配得分V-scoreP-scoreN-scoreThetext-augmentedvisual-textmatchingscore4.4空间校正器方向描述鉴定
摘要文章涉及了两个时间序列的任务：forecasting，imputation.对于预测任务：通过将时间序列编码为一系列数字，可以将时间序列预测任务转化为文本里面的next-token预测任务。在大规模预训练语言模型的基础上，文章提出了一些方法用于有效编码时间序列数据，并将离散分布的编码转换成灵活的连续分布（分布转换部分涉及到诸多统计学知识）。在数值补全任务中，文章展示了语言模型（LLMs）如何通过非数值文本自然处理缺失数据，无需插补，如何适应文本侧面信息，并回答问题以帮助解释预测。方法文章提出了LLMTime模型https://unit8co.github.io/darts/generate
论文标题：DistilledFeatureFieldsEnableFew-ShotLanguage-GuidedManipulation论文作者：WilliamShen,GeYang,AlanYu,JansenWong,LesliePackKaelbling,PhillipIsola项目地址：https://f3rm.csail.mit.edu导读：研究提出了一种新的方法F3RM（FeatureFieldsforRoboticManipulation），将3D几何信息与2D基础模型的语义信息相结合，实现对非特定实验场景的泛化功能。根据少量标注样本的学习，机器人可以根据语言引导，完成6自由度抓取
文章目录摘要1.问题的提出引出当前研究的不足与问题属性不平衡问题属性共现问题解决方案2.数据集和模型构建数据集传统的零样本学习范式v.s.DUET学习范式DUET模型总览属性级别对比学习==正负样本解释：==3.结果分析VIT-basedvisiontransformerencoder.消融研究消融研究解释4.结论与启示结论总结启发PLMs的潜在语义知识引入多模态，跨模态整合细粒度角度考虑原文链接：https://ojs.aaai.org/index.php/AAAI/article/view/25114/24886该论文设计了一种新的零样本学习范式，通过迁移语言模型中的先验语义知识，与视觉模
代码 原文地址 预备知识：1.什么是元学习（MetaLearning）？元学习或者叫做“学会学习”（Learningtolearn），它是要“学会如何学习”，即利用以往的知识经验来指导新任务的学习，具有学会学习的能力。由于元学习可帮助模型在少量样本下快速学习，从元学习的使用角度看，人们也称之为少次学习（Few-ShotLearning）。 2.什么是基于度量的元学习（Metric-based meta-learning）？基于度量的元学习将相似性学习和元学习相结合，学习训练过的相似任务的经验，从而加快新任务的完成。Guo等人将注意机制与集成学习方法相结合，形成了基于度量的元学习模型。 标记文档
代码 原文地址 预备知识：1.什么是元学习（MetaLearning）？元学习或者叫做“学会学习”（Learningtolearn），它是要“学会如何学习”，即利用以往的知识经验来指导新任务的学习，具有学会学习的能力。由于元学习可帮助模型在少量样本下快速学习，从元学习的使用角度看，人们也称之为少次学习（Few-ShotLearning）。 2.什么是基于度量的元学习（Metric-based meta-learning）？基于度量的元学习将相似性学习和元学习相结合，学习训练过的相似任务的经验，从而加快新任务的完成。Guo等人将注意机制与集成学习方法相结合，形成了基于度量的元学习模型。 标记文档
