轻松应对弱新类别：弱样本学习综述
计算机视觉与模式识别
2022-10-04 v3
摘要
深度学习是一种数据饥渴的方法，需要大量训练数据。然而，为所有类别收集丰富的全标注训练数据既耗时又费力。假设存在具有充足全标注训练样本的基类别，针对新类别需要更少训练样本或更弱标注的不同范式已引起日益增长的研究兴趣。其中，零样本（相应地，少样本）学习探索对新类别使用零个（相应地，少量）训练样本，降低了对新类别的数量要求。相反，弱样本学习降低了对新类别的质量要求。具体而言，为新类别收集了充足的训练样本，但它们仅具有弱标注。在不同任务中，弱标注以不同形式呈现（例如，图像分类的噪声标签、目标检测的图像标签、分割的边界框），类似于弱监督学习中的定义。因此，弱样本学习也可被视为带有辅助全监督类别的弱监督学习。本文讨论了不同任务中现有的弱样本学习方法，并在 https://github.com/bcmi/Awesome-Weak-Shot-Learning 汇总了相关代码。
引用
@article{arxiv.2110.02651,
title = {Weak Novel Categories without Tears: A Survey on Weak-Shot Learning},
author = {Li Niu},
journal= {arXiv preprint arXiv:2110.02651},
year = {2022}
}