广告
一文读懂自动驾驶数据闭环
2021-09-21 18:17:01· 来源：智驾最前沿
注意最近的一些新方法：
-
“DetCo: Unsupervised Contrastive Learning for Object Detection“
-
“PointContrast: Unsupervised Pre-training for 3D Point Cloud Understanding“
-
“MonoRUn: Monocular 3D Object Detection by Reconstruction and Uncertainty Propagation“
-
“Weakly Supervised Semantic Point Cloud Segmentation: Towards 10x Fewer Labels“
8）少样本/零样本学习
零样本学习（Zero-shot learning，ZSL）旨在识别在训练期间可能未见过实例的目标。虽然大多数ZSL方法都使用判别性损失（discriminative losses）进行学习，但少数生成模型（generative models）将每个类别表示为概率分布。
对于未见类（unseen classes），ZSL除了无法访问其视觉或辅助信息的inductive设置之外，transductive方法无需访问标签信息，直接用已见类（seen classes）和未见类一起的视觉或语义信息。
ZSL属于迁移学习（TL），源特征空间为训练实例，目标特征空间为测试实例，二者特征空间一样。但对于已见类和未见类，标签空间是不同的。
为了从有限的监督信息中学习，一个新的机器学习方向称为少样本学习 (Few-Shot Learning ，FSL)。基于如何使用先验知识，FSL可分为三个类：1）用数据先验知识来增强监督经验，2）通过模型先验知识约束假设空间，和3）用算法先验知识改变假设空间中最佳参数的搜索方式。
FSL 可以是监督学习、半监督学习和强化学习（RL），取决于除了有限的监督信息之外还有哪些数据可用。许多 FSL 方法是元学习（meta learning）方法，以此作为先验知识。
最近的一些实例方法：
-
“Don’t Even Look Once: Synthesizing Features for Zero-Shot Detection“
-
“Zero-Shot Semantic Segmentation“
-
“Zero-Shot Learning on 3D Point Cloud Objects and Beyond“
-
“Few-Shot Object Detection and Viewpoint Estimation for Objects in the Wild“
-
“Self-Supervised Few-Shot Learning on Point Clouds“
-
“Few-shot 3D Point Cloud Semantic Segmentation“
广告 
最新资讯
-
联合国法规R133对汽车可回收性的工程化约束
2026-02-05 13:01
-
联合国法规R107对M2/M3类客车一般结构的工
2026-02-05 12:28
-
联合国法规R104对车辆回复反射标志的工程化
2026-02-05 12:27
-
联合国法规R99对HID光源本体的工程化约束
2026-02-05 12:25
-
联合国法规R98对HID前照灯的工程化约束
2026-02-05 12:25
