详细内容或原文请订阅后点击阅览
生产中的小样本学习
Clarifai 与多伦多大学工程科学系学生（机器智能）合作，部署了用于少量图像分类的高效系统。
来源:Clarifai博客 | 实际应用中的人工智能简介
简介鉴于大量模型在零样本分类方面表现出色，识别狗、汽车和停车标志等常见物体可以看作是一个基本已解决的问题。识别不太常见或罕见的物体仍然是一个活跃的研究领域。在这种情况下，没有大型手动注释的数据集。在这些情况下，期望人们参与收集大量图像数据集的繁重任务是不现实的，因此依赖一些注释示例的解决方案是必不可少的。一个关键的例子是医疗保健，专业人员可能需要对罕见疾病的图像扫描进行分类。在这里，大型数据集稀缺、昂贵且创建复杂。
鉴于大量模型在零样本分类方面表现出色，识别狗、汽车和停车标志等常见物体可以看作是一个基本已解决的问题。识别不太常见或罕见的物体仍然是一个活跃的研究领域。在这种情况下，没有大型手动注释的数据集。在这些情况下，期望人们参与收集大量图像数据集的繁重任务是不现实的，因此依赖一些带注释的示例的解决方案是必不可少的。一个关键的例子是医疗保健，专业人员可能需要对罕见疾病的图像扫描进行分类。在这里，大型数据集稀缺、昂贵且创建复杂。在深入研究之前，一些定义可能会有所帮助。
在深入研究之前，一些定义可能会有所帮助。零样本学习、单样本学习和少样本学习是允许机器学习模型使用有限的标记数据对新类别进行预测的技术。技术的选择取决于具体问题以及可用于新类别或标签（类）的标记数据量。