【摘 要】
：
人工智能在很多领域都得到了迅速发展,但现有方法需要在大量的数据中学习先验知识.为了进一步缩小人工智能与人类差距,使其可以从少量的监督信息中学习,获得在新任务上的泛化
【机 构】
：
中国科学院西安光学精密机械研究所光谱成像技术重点实验室,中国科学院大学,太原卫星发射中心,云南民族大学云南省高校物联网应用技术重点实验室
【基金项目】
：
国家自然科学基金(61866040)
论文部分内容阅读
人工智能在很多领域都得到了迅速发展,但现有方法需要在大量的数据中学习先验知识.为了进一步缩小人工智能与人类差距,使其可以从少量的监督信息中学习,获得在新任务上的泛化能力,出现了少样本学习方法.少样本学习的目的是利用少量的有标签样本学习一个分类器,对未知的类进行识别.本文对少样本学习方法的概念和应用场景进行了概述,讨论了诸如半监督学习、数据不平衡学习、迁移学习和元学习之类的相关学习问题与少样本学习间的关联.本文对主流少样本学习方法进行了系统的介绍,通过全面比较将其归类为不同类别.最后,展示了一些主流少样本学
其他文献
针对燃气负荷数据非线性、非平稳性的特点,本文提出一种基于改进的LMD算法与GRU神经网络的组合预测模型.模型首先利用改进后的LMD算法对燃气负荷数据进行序列分解,改进的LMD
在企业的建设中,会计人员素质水平的高低,对于企业的正常运行至关重要.本文首先探讨了现阶段企业建设中 会计人员素质方面所存在的不良现象,然后针对这些现象,提出了提高会计
针对自然图像中内容的多样性、复杂性以及随机性，若采用区域内部恒定聚类中心假设的cv（chan—Vese）模型以及多类水平集模型，则难以有效刻画具有非线性、连续性变化的自然图像内容
中国社会主义市场经济建设的现实问题，要求对政府与市场关系的分析必须超越传统的二元论视角。从和谐社会视角出发，政府与市场并非总是互相对立或排斥，二者边界划分在遵循“以人