tft每日頭條

 > 圖文

 > 樣本設計講解

樣本設計講解

圖文 更新时间:2025-06-16 18:17:44

我對小樣本學習的誤解與困惑

我們的“小樣本”真的很小嗎?

我們似乎習慣性的拿深度學習的大量數據集訓練,與人類嬰兒做對比。并借此來嘲諷AI:You are not as good as me, you are loser.

但,最近的一些不連貫的思考,使我開始反思,我們人類小樣本真的比機器學習與深度學習小嗎?

然而,作為一名長期患有face blindness 的我。很難僅僅依賴圖源信息完成"視覺圖像上的"人⇒人的識别,還記得轉學的時候(小學二年級由老家到保定借讀),我除了聽課以外,還要花大量的課堂時間,通過老師點名同學回答問題,來觀察并記錄全班同學的姓名,座位,以及聲音。至少在剛剛入學的一大段時間裡,我沒有将所有的精力集中于聽課,重心幾乎全部放在了整合全班同學的身份标識上。

或許就像嬰兒那樣,隻要是female就是媽媽,也或者依靠體味信息吧。我更多的是依賴于對聲音與體态的運動特征,來對具體的對象進行再記憶。

在舉一個極端的例子,就是薩爾路斯獵狼犬和哈士奇的圖片與狼放到一起,我将很難分出哪條是狼,哪條是犬。

僅僅從以上臉盲症患者識别人的策略來對應圖像識别技術。我們的“小樣本”學習其實并不小,我們的足夠多元。從維度上将我們具備五個維度:

廣泛的圖源表征、運動偵測、聲音紋理、超曲面(三維景深/虛拟景深)、互動行為反饋。

我們至少基于該五類綜合分析下的少量數據集,再最終落實到大量的圖元數據的識别上。雖然我們的訓練數據遠遠不及我們的AI,但我們有不同類型的學習樣本,以及跨界信息整合關鍵要素的能力。僅在這一點上,我們的AI似乎隻有單一的同類型圖元信息标注集。

由此,我們對同一物體的識别上,我們的基數是5.0000xn :1.0000xn。若我們将單一圖元信息列為小數點之後的數位标度,那麼5.2與 1.7846195634956197546154616比誰更大一些哪?

在三維景深/虛拟景深,我們的大腦能夠快速的完成超曲面的表征化,以及平面圓盤投影,就像“老顧談幾何”中對虛幻引擎所解構的那樣。

樣本設計講解(小樣本學習二)1

樣本設計講解(小樣本學習二)2

樣本設計講解(小樣本學習二)3

樣本設計講解(小樣本學習二)4

,

更多精彩资讯请关注tft每日頭條,我们将持续为您更新最新资讯!

查看全部

相关圖文资讯推荐

热门圖文资讯推荐

网友关注

Copyright 2023-2025 - www.tftnews.com All Rights Reserved