计算机视觉中的小样本学习综述
點(diǎn)擊上方“3D視覺工坊”，選擇“星標(biāo)”
干貨第一時(shí)間送達(dá)
前言：
如今，在使用數(shù)十億張圖像來解決特定任務(wù)方面，計(jì)算機(jī)可以做到超過人類。盡管如此，在現(xiàn)實(shí)世界中，很少能構(gòu)建或找到包含這么多樣本的數(shù)據(jù)集。
?
我們?nèi)绾慰朔@個(gè)問題？ 在計(jì)算機(jī)視覺領(lǐng)域，我們可以使用數(shù)據(jù)增強(qiáng) (DA)，或者收集和標(biāo)記額外的數(shù)據(jù)。DA 是一個(gè)強(qiáng)大的技術(shù)，可能是解決方案的重要組成部分。標(biāo)記額外的樣本是一項(xiàng)耗時(shí)且昂貴的任務(wù)，但它確實(shí)提供了更好的結(jié)果。
如果數(shù)據(jù)集真的很小，這兩種技術(shù)可能都無濟(jì)于事。 想象一個(gè)任務(wù)，我們需要建立一個(gè)分類，每個(gè)類只有一兩個(gè)樣本，而每個(gè)樣本都非常難以找到。
?
這將需要?jiǎng)?chuàng)新的方法。小樣本學(xué)習(xí)（Few-Shot Learning, FSL）就是其中之一。
?
在本文中，我們將介紹：
什么是小樣本學(xué)習(xí)——定義、目的和 FSL 問題示例
小樣本學(xué)習(xí)變體——N-Shot Learning、Few-shot Learning、One-Shot Learning、Zero-Shot Learning.
小樣本學(xué)習(xí)方法——Meta-Learning、Data-level、Parameter-level
元學(xué)習(xí)算法——定義、度量學(xué)習(xí)、基于梯度的元學(xué)習(xí)
Few-Shot圖像分類算法——與模型無關(guān)的元學(xué)習(xí)、匹配、原型和關(guān)系網(wǎng)絡(luò)
Few-Shot目標(biāo)檢測 – YOLOMAML
?
什么是小樣本學(xué)習(xí)？
Few-Shot Learning(以下簡稱FSL)是機(jī)器學(xué)習(xí)的一個(gè)子領(lǐng)域。在只有少數(shù)具有監(jiān)督信息的訓(xùn)練樣本情況下，訓(xùn)練模型實(shí)現(xiàn)對新數(shù)據(jù)進(jìn)行分類。
?
FSL 是一個(gè)相當(dāng)年輕的領(lǐng)域，需要更多的研究和完善。計(jì)算機(jī)視覺模型可以在相對較少的訓(xùn)練樣本下很好地工作。在本文中，我們將重點(diǎn)關(guān)注計(jì)算機(jī)視覺中的 FSL。
?
例如：假設(shè)我們在醫(yī)療保健行業(yè)工作，在通過 X 射線照片對骨骼疾病進(jìn)行分類時(shí)遇到問題。
?
一些罕見的病理可能缺乏足夠的圖像用于訓(xùn)練集中。這正是可以通過構(gòu)建 FSL 分類器解決的問題類型。
?
小樣本學(xué)習(xí)變體
根據(jù)FSL的不同變化和極端情況可以分為四種類型：
N-Shot Learning (NSL)
Few-shot Learning (FSL)
One-Shot Learning (OSL)
Zero-Shot Learning (ZSL)
當(dāng)我們談?wù)?FSL 時(shí)，我們通常指的是 N-way-K-Shot-classification。
N 代表類別的數(shù)量，K 代表每個(gè)類別要訓(xùn)練的樣本數(shù)量。
?
N-Shot 學(xué)習(xí)被視為比所有其他概念更廣泛的概念。這意味著，Few-Shot、One-Shot 和 Zero-Shot Learning 是 NSL 的子領(lǐng)域。
?
Zero-Shot Learning (ZSL)
Zero-Shot Learning 的目標(biāo)是在沒有任何訓(xùn)練樣本的情況下對看不見的類進(jìn)行分類。
?
這可能看起來有點(diǎn)牛逼，可以這樣想：你能在沒有看到物體的情況下對它進(jìn)行分類嗎？ 如果你對一個(gè)對象、它的外觀、屬性和功能有一個(gè)大致的了解，那應(yīng)該不成問題。這是在進(jìn)行 ZSL 時(shí)使用的方法，根據(jù)當(dāng)前的趨勢，零樣本學(xué)習(xí)將很快變得更加有效。
?
One-Shot和Few-Shot
在One-Shot Learning中，每個(gè)類只有一個(gè)樣本。Few-Shot 每個(gè)類有 2 到 5 個(gè)樣本，使其成為更靈活的 OSL 版本。
?
當(dāng)我們談?wù)撜w概念時(shí)，我們使用Few-Shot Learning術(shù)語。但是這個(gè)領(lǐng)域還很年輕，所以人們會(huì)以不同的方式使用這些術(shù)語。
?
小樣本學(xué)習(xí)方法
首先，讓我們定義一個(gè) N-way-K-Shot-分類問題。
?
假定一個(gè)訓(xùn)練集，包括N 類標(biāo)簽,每類K個(gè)標(biāo)記圖像（少量，每類少于十個(gè)樣本），Q張測試圖片。
?
我們想在 N 個(gè)類別中對 Q 張測試圖片進(jìn)行分類。 訓(xùn)練集中的 N * K 個(gè)樣本是我們僅有的樣本。這里的主要問題是沒有足夠的訓(xùn)練數(shù)據(jù)。
?
FSL 任務(wù)的第一步是從其他類似問題中獲得經(jīng)驗(yàn)。這就是為什么少樣本學(xué)習(xí)被描述為元學(xué)習(xí)問題的原因。
?
在傳統(tǒng)的分類問題中，我們嘗試從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)如何分類，并使用測試數(shù)據(jù)進(jìn)行評估。在元學(xué)習(xí)中，我們學(xué)習(xí)如何學(xué)習(xí)給定一組訓(xùn)練數(shù)據(jù)進(jìn)行分類。 我們將一組分類問題用于其他不相關(guān)的集合。
?
在解決 FSL 問題時(shí)，通常考慮兩種方法：
數(shù)據(jù)級方法 (Data-level approach，DLA)
參數(shù)級方法 (Parameter-level approach，PLA)
?
數(shù)據(jù)級方法
這個(gè)方法真的很簡單。 它基于這樣一個(gè)概念：如果沒有足夠的數(shù)據(jù)來構(gòu)建可靠的模型并避免過度擬合和欠擬合，只需要簡單地添加更多數(shù)據(jù)。
?
這就是為什么通過使用來自大型基礎(chǔ)數(shù)據(jù)集的附加信息來解決許多 FSL 問題的原因。基礎(chǔ)數(shù)據(jù)集的關(guān)鍵特征是它沒有在訓(xùn)練集中為Few-Show任務(wù)提供的類。 例如，如果想對特定鳥類進(jìn)行分類，基礎(chǔ)數(shù)據(jù)集可以包含許多其他鳥類的圖像。
?
我們也可以自己產(chǎn)生更多的數(shù)據(jù)。為了達(dá)到這個(gè)目標(biāo)，我們可以使用數(shù)據(jù)增強(qiáng)，甚至生成對抗網(wǎng)絡(luò) (GAN)。
參數(shù)級方法
從參數(shù)級別的角度來看，Few-Shot Learning 樣本很容易過擬合，因?yàn)樗鼈僼通常具有廣泛的高維空間。
?
為了克服這個(gè)問題，我們應(yīng)該限制參數(shù)空間并使用正則化和適當(dāng)?shù)膿p失函數(shù)。 該模型將對有限數(shù)量的訓(xùn)練樣本具有泛化能力。
?
另一方面，我們可以通過將其引導(dǎo)到廣泛的參數(shù)空間來提高模型性能。 如果我們使用標(biāo)準(zhǔn)的優(yōu)化算法，由于訓(xùn)練數(shù)據(jù)量很少，它可能無法給出可靠的結(jié)果。
?
這就是為什么在參數(shù)級別上訓(xùn)練的模型以在參數(shù)空間中找到最佳路線以提供最佳預(yù)測結(jié)果。正如我們上面已經(jīng)提到的，這種技術(shù)稱為元學(xué)習(xí)。
?
元學(xué)習(xí)算法
在經(jīng)典范式中，當(dāng)我們有一個(gè)特定的任務(wù)時(shí)，算法正在學(xué)習(xí)它的任務(wù)性能是否隨著經(jīng)驗(yàn)而提高。在元學(xué)習(xí)范式中，我們有一組任務(wù)。算法正在學(xué)會(huì)去學(xué)習(xí)它在每個(gè)任務(wù)上的性能是否隨著經(jīng)驗(yàn)和任務(wù)數(shù)量的增加而提高。該算法稱為元學(xué)習(xí)算法。
?
假設(shè)我們有一個(gè)測試任務(wù) TEST。我們將在一批訓(xùn)練任務(wù) TRAIN 上訓(xùn)練我們的元學(xué)習(xí)算法。從嘗試解決 TRAIN 任務(wù)中獲得的訓(xùn)練經(jīng)驗(yàn)將用于解決 TEST 任務(wù)。
?
解決 FSL 任務(wù)有一系列步驟。想象一下我們之前提到的分類問題。首先，我們需要選擇一個(gè)基礎(chǔ)數(shù)據(jù)集。選擇基礎(chǔ)數(shù)據(jù)集至關(guān)重要。
?
現(xiàn)在我們有 N-way-K-Shot 分類問題（讓我們將其命名為 TEST）和一個(gè)大型基礎(chǔ)數(shù)據(jù)集，我們將用作元學(xué)習(xí)訓(xùn)練集 (TRAIN)。
?
整個(gè)元訓(xùn)練過程將在有限的episode（情節(jié)，電視劇集）下完成。
?
從 TRAIN 中，我們對每個(gè)類別的 N 個(gè)類別和 K 個(gè)支持集圖像以及 Q張測試圖像進(jìn)行采樣。這樣，我們就形成了一個(gè)類似于我們最終的 TEST 任務(wù)的分類任務(wù)。
在每個(gè)episode結(jié)束時(shí)，訓(xùn)練模型的參數(shù)以最大化測試集中 Q 圖像的準(zhǔn)確性。這是我們的模型學(xué)習(xí)解決看不見的分類問題的能力的地方。
?
模型的整體效率是通過其在 TEST 分類任務(wù)上的準(zhǔn)確性來衡量的。
?
近年來，研究人員發(fā)表了許多用于解決 FSL 分類問題的元學(xué)習(xí)算法。所有這些都可以分為兩大類：度量學(xué)習(xí)?(Metric-Learning) 和基于梯度的元學(xué)習(xí)?(Gradient-Based Meta-Learning) 算法。
?
度量學(xué)習(xí)
當(dāng)我們談?wù)摱攘繉W(xué)習(xí)時(shí)，通常指的是在目標(biāo)上學(xué)習(xí)距離函數(shù)的技術(shù)。
?
一般來說，度量學(xué)習(xí)算法學(xué)習(xí)比較數(shù)據(jù)樣本。 在少樣本分類問題的情況下，他們根據(jù)測試樣本與訓(xùn)練樣本的相似性對測試樣本進(jìn)行分類。如果我們處理圖像，我們基本上會(huì)訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)來輸出圖像嵌入向量，然后與其他嵌入向量進(jìn)行比較以預(yù)測類別。
?
基于梯度的元學(xué)習(xí)
對于基于梯度的方法，需要構(gòu)建一個(gè)元學(xué)習(xí)器和一個(gè)基學(xué)習(xí)器。
?
元學(xué)習(xí)器是一個(gè)跨集學(xué)習(xí)的模型，而基礎(chǔ)學(xué)習(xí)器是一個(gè)由元學(xué)習(xí)器在每個(gè)集內(nèi)初始化和訓(xùn)練的模型。
?
想象一下元訓(xùn)練的一個(gè)片段，其中包含由 N * K 個(gè)圖像訓(xùn)練集和 Q 測試集定義的一些分類任務(wù)：
?
1.?選擇一個(gè)元學(xué)習(xí)器模型，
2.?episode(情節(jié))開始，
3.?初始化基礎(chǔ)學(xué)習(xí)器（通常是 CNN 分類器），
4.?在訓(xùn)練集上訓(xùn)練它（用于訓(xùn)練基礎(chǔ)學(xué)習(xí)器的確切算法由元學(xué)習(xí)器定義），
5.?Base-learner 預(yù)測測試集上的類，
6.?元學(xué)習(xí)器參數(shù)根據(jù)分類錯(cuò)誤導(dǎo)致的損失進(jìn)行訓(xùn)練，
7.?從這一點(diǎn)來看，管道可能會(huì)根據(jù)選擇的元學(xué)習(xí)器而有所不同。
?
Few-Shot圖像分類算法
在本節(jié)中，我們將介紹：
模型不可知元學(xué)習(xí) (Model-Agnostic Meta-Learning, MAML)
匹配網(wǎng)絡(luò)Matching Networks
原型網(wǎng)絡(luò)Prototypical Networks
關(guān)系網(wǎng)絡(luò)Relation Networks
?
模型不可知元學(xué)習(xí)
MAML 基于梯度元學(xué)習(xí) (GBML) 概念。GBML 是關(guān)于元學(xué)習(xí)器從訓(xùn)練基礎(chǔ)模型和學(xué)習(xí)所有任務(wù)的共同特征表示中獲取先前經(jīng)驗(yàn)。每當(dāng)有新任務(wù)需要學(xué)習(xí)時(shí)，元學(xué)習(xí)器會(huì)利用新任務(wù)帶來的少量新訓(xùn)練數(shù)據(jù)對具有其先前經(jīng)驗(yàn)的元學(xué)習(xí)器進(jìn)行一點(diǎn)微調(diào)。
?
不過，我們不想從隨機(jī)參數(shù)初始化開始。如果我們這樣做，我們的算法在幾次更新后將不會(huì)收斂到良好的性能。
?
MAML 旨在解決這個(gè)問題。
?
MAML 提供了元學(xué)習(xí)器參數(shù)的良好初始化，以在僅使用少量梯度步驟的新任務(wù)上實(shí)現(xiàn)最佳快速學(xué)習(xí)，同時(shí)避免使用小數(shù)據(jù)集時(shí)可能發(fā)生的過度擬合。
?
這是它的完成方式：
1.?元學(xué)習(xí)器在每episode(情節(jié))開始時(shí)創(chuàng)建自己的副本 (C)，
2.?C 接受了這一episode的訓(xùn)練（正如我們之前討論過的，在 base-model 的幫助下），
3.?C 對測試集進(jìn)行預(yù)測，
4.?根據(jù)這些預(yù)測計(jì)算的損失用于更新 C，
5.?這一直持續(xù)到對所有episode進(jìn)行了訓(xùn)練。
?
這種技術(shù)的最大優(yōu)點(diǎn)是它被認(rèn)為與元學(xué)習(xí)器算法選擇無關(guān)。 因此，MAML 方法被廣泛用于許多需要快速適應(yīng)的機(jī)器學(xué)習(xí)算法，尤其是深度神經(jīng)網(wǎng)絡(luò)。
?
匹配網(wǎng)絡(luò)
匹配網(wǎng)絡(luò) (MN) 是第一個(gè)旨在解決 FSL 問題的度量學(xué)習(xí)算法。
?
對于匹配網(wǎng)絡(luò)算法，需要使用大型基礎(chǔ)數(shù)據(jù)集來解決小樣本學(xué)習(xí)任務(wù)。如上所示，這個(gè)數(shù)據(jù)集被分成了幾集(episodes)。之后，對于每一集，匹配網(wǎng)絡(luò)應(yīng)用以下步驟：
?
1.?來自訓(xùn)練集和測試集的每個(gè)圖像都被送進(jìn)?CNN，輸出embeddings，
2.?每張測試圖像使用從其embeddings到訓(xùn)練集embeddings的余弦距離的 softmax 進(jìn)行分類，
3.?結(jié)果分類的交叉熵?fù)p失通過 CNN 反向傳播。
?
通過這種方式，匹配網(wǎng)絡(luò)學(xué)習(xí)計(jì)算圖像嵌入。這種方法允許 MN 在沒有特定類的先驗(yàn)知識的情況下對圖像進(jìn)行分類。一切都是通過比較類的不同實(shí)例來完成的。
?
由于每一集中的類別不同，匹配網(wǎng)絡(luò)計(jì)算與區(qū)分類別相關(guān)的圖像特征。相反，在標(biāo)準(zhǔn)分類的情況下，算法學(xué)習(xí)特定于每個(gè)類的特征。
?
值得一提的是，作者實(shí)際上對初始算法提出了一些改進(jìn)。例如，他們用雙向 LSTM 增強(qiáng)了他們的算法。每個(gè)圖像的嵌入取決于其他圖像的嵌入。
?
所有改進(jìn)方案都可以在他們的初始文章中找到。不過，提高算法的性能可能會(huì)使計(jì)算時(shí)間更長。
?
原型網(wǎng)絡(luò)
原型網(wǎng)絡(luò) (PN) 類似于匹配網(wǎng)絡(luò)。盡管如此，仍有一些細(xì)微的差異有助于提高算法的性能。PN 實(shí)際上獲得了比 MN 更好的結(jié)果。
?
PN 過程本質(zhì)上是相同的，但是測試圖像的embeddings不會(huì)與訓(xùn)練集中的每個(gè)圖像embeddings進(jìn)行比較。相反，原型網(wǎng)絡(luò)提出了一種替代方法。
?
在PN中，你需要形成類原型。它們基本上是通過平均來自此類的圖像的嵌入而形成的類嵌入。然后將測試圖像嵌入僅與這些類原型進(jìn)行比較。
?
值得一提的是，在 One-Shot Learning 問題的情況下，算法類似于 Matching Networks。
?
此外，PN 使用歐幾里得距離而不是余弦距離。它被視為算法改進(jìn)的主要部分。
?
關(guān)系網(wǎng)絡(luò)
為構(gòu)建匹配和原型網(wǎng)絡(luò)而進(jìn)行的所有實(shí)驗(yàn)實(shí)際上導(dǎo)致了關(guān)系網(wǎng)絡(luò) (RN) 的創(chuàng)建。RN 建立在 PN 概念之上，但對算法進(jìn)行了重大更改。
?
距離函數(shù)不是預(yù)先定義的，而是由算法學(xué)習(xí)的。 RN 有自己的關(guān)系模塊來執(zhí)行此操作。
?
整體結(jié)構(gòu)如下。關(guān)系模塊放在嵌入模塊的頂部，該模塊是從輸入圖像計(jì)算嵌入和類原型的部分。關(guān)系模塊被輸入查詢圖像與每個(gè)類原型的嵌入的串聯(lián)，并輸出每對的關(guān)系分?jǐn)?shù)。 將 Softmax 應(yīng)用于關(guān)系分?jǐn)?shù)，得到一個(gè)預(yù)測。
?
?
Few-Show目標(biāo)檢測
很明顯，我們可能會(huì)在所有計(jì)算機(jī)視覺任務(wù)中遇到 FSL 問題。
?
一個(gè)?N-way-K-Shot 目標(biāo)檢測任務(wù)包括一個(gè)訓(xùn)練集：N個(gè)類標(biāo)簽，對于每一類，包含至少一個(gè)屬于該類的對象的 K 個(gè)標(biāo)記圖像，Q張測試圖片。
?
注意，與Few-Shot 圖像分類問題有一個(gè)關(guān)鍵區(qū)別，因?yàn)槟繕?biāo)檢測任務(wù)存在一張圖像包含屬于N 個(gè)類別中的一個(gè)或多個(gè)的多個(gè)目標(biāo)的情況。因此可能會(huì)面臨類不平衡問題，因?yàn)樗惴▽γ總€(gè)類的至少 K 個(gè)樣本目標(biāo)進(jìn)行訓(xùn)練。
?
YOLOMAML
Few-Shot目標(biāo)檢測領(lǐng)域正在迅速發(fā)展，但有效的解決方案并不多。這個(gè)問題最穩(wěn)定的解決方案是 YOLOMAML 算法。
?
YOLOMAML 有兩個(gè)混合部分：YOLOv3 對象檢測架構(gòu)和 MAML 算法。
?
如前所述，MAML 可以應(yīng)用于多種深度神經(jīng)網(wǎng)絡(luò)，這就是為什么開發(fā)人員很容易將這兩部分結(jié)合起來。
?
YOLOMAML 是 MAML 算法在 YOLO 檢測器上的直接應(yīng)用。如果想了解更多信息，請查看官方 Github 存儲庫。
https://github.com/ebennequin/FewShotVision
?
總結(jié)
在本文中，我們已經(jīng)弄清楚了什么是Few-Shot Learning，有哪些 FSL 變體和問題解決方法，以及可以使用哪些算法來解決圖像分類和目標(biāo)檢測 FSL 任務(wù)。
?
Few-Shot Learning 是一個(gè)快速發(fā)展和有前途的領(lǐng)域，但仍然非常具有挑戰(zhàn)性和未經(jīng)研究，還有很多工作要做、研究和開發(fā)。
?
原文鏈接：
https://neptune.ai/blog/understanding-few-shot-learning-in-computer-vision
本文僅做學(xué)術(shù)分享，如有侵權(quán)，請聯(lián)系刪文。
下載1
在「3D視覺工坊」公眾號后臺回復(fù)：3D視覺，即可下載 3D視覺相關(guān)資料干貨，涉及相機(jī)標(biāo)定、三維重建、立體視覺、SLAM、深度學(xué)習(xí)、點(diǎn)云后處理、多視圖幾何等方向。
下載2
在「3D視覺工坊」公眾號后臺回復(fù)：3D視覺github資源匯總，即可下載包括結(jié)構(gòu)光、標(biāo)定源碼、缺陷檢測源碼、深度估計(jì)與深度補(bǔ)全源碼、點(diǎn)云處理相關(guān)源碼、立體匹配源碼、單目、雙目3D檢測、基于點(diǎn)云的3D檢測、6D姿態(tài)估計(jì)源碼匯總等。
下載3
在「3D視覺工坊」公眾號后臺回復(fù)：相機(jī)標(biāo)定，即可下載獨(dú)家相機(jī)標(biāo)定學(xué)習(xí)課件與視頻網(wǎng)址；后臺回復(fù)：立體匹配，即可下載獨(dú)家立體匹配學(xué)習(xí)課件與視頻網(wǎng)址。
重磅！3DCVer-學(xué)術(shù)論文寫作投稿?交流群已成立
掃碼添加小助手微信，可申請加入3D視覺工坊-學(xué)術(shù)論文寫作與投稿?微信交流群，旨在交流頂會(huì)、頂刊、SCI、EI等寫作與投稿事宜。
同時(shí)也可申請加入我們的細(xì)分方向交流群，目前主要有3D視覺、CV&深度學(xué)習(xí)、SLAM、三維重建、點(diǎn)云后處理、自動(dòng)駕駛、多傳感器融合、CV入門、三維測量、VR/AR、3D人臉識別、醫(yī)療影像、缺陷檢測、行人重識別、目標(biāo)跟蹤、視覺產(chǎn)品落地、視覺競賽、車牌識別、硬件選型、學(xué)術(shù)交流、求職交流、ORB-SLAM系列源碼交流、深度估計(jì)等微信群。
一定要備注：研究方向+學(xué)校/公司+昵稱，例如：”3D視覺?+ 上海交大 + 靜靜“。請按照格式備注，可快速被通過且邀請進(jìn)群。原創(chuàng)投稿也請聯(lián)系。
▲長按加微信群或投稿
▲長按關(guān)注公眾號
3D視覺從入門到精通知識星球：針對3D視覺領(lǐng)域的視頻課程（三維重建系列、三維點(diǎn)云系列、結(jié)構(gòu)光系列、手眼標(biāo)定、相機(jī)標(biāo)定、orb-slam3等視頻課程）、知識點(diǎn)匯總、入門進(jìn)階學(xué)習(xí)路線、最新paper分享、疑問解答五個(gè)方面進(jìn)行深耕，更有各類大廠的算法工程人員進(jìn)行技術(shù)指導(dǎo)。與此同時(shí)，星球?qū)⒙?lián)合知名企業(yè)發(fā)布3D視覺相關(guān)算法開發(fā)崗位以及項(xiàng)目對接信息，打造成集技術(shù)與就業(yè)為一體的鐵桿粉絲聚集區(qū)，近2000星球成員為創(chuàng)造更好的AI世界共同進(jìn)步，知識星球入口：
學(xué)習(xí)3D視覺核心技術(shù)，掃描查看介紹，3天內(nèi)無條件退款
?圈里有高質(zhì)量教程資料、可答疑解惑、助你高效解決問題
覺得有用，麻煩給個(gè)贊和在看~??
總結(jié)
以上是生活随笔為你收集整理的计算机视觉中的小样本学习综述的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Xcode使用OpenCV访问Mac摄像
- 下一篇： 【双11背后的技术】AliCloudDB