LibFewShot
使少样本学习变得容易。
LibFewShot:一款用于少样本学习的综合库。李文彬,王子贻,杨雪松,董川琪,田品卓,秦铁鑫,霍晶,施迎欢,王磊,高洋,罗杰波。在 TPAMI 2023。
支持的方法
非情景方法(即基于微调的方法)
- Baseline (ICLR 2019)
- Baseline++ (ICLR 2019)
- RFS (ECCV 2020)
- SKD (BMVC 2021)
- Negcos (ECCV 2020)
- S2M2 (WACV 2020)
- Meta-Baseline (ICCV 2021)
基于元学习的方法
- MAML (ICML 2017)
- Versa (NeurIPS 2018)
- R2D2 (ICLR 2019)
- LEO (ICLR 2019)
- MTL (CVPR 2019)
- ANIL (ICLR 2020)
- BOIL (ICLR 2021)
基于度量学习的方法
- ProtoNet (NeurIPS 2017)
- RelationNet (CVPR 2018)
- ConvaMNet (AAAI 2019)
- DN4 (CVPR 2019)
- CAN (NeurIPS 2019)
- ATL-Net (IJCAI 2020)
- ADM (IJCAI 2020)
- DSN (CVPR 2020)
- FEAT (CVPR 2020)
- RENet (ICCV 2021)
- FRN (CVPR 2021)
- DeepBDC (CVPR 2022)
快速安装
请参考 install.md(安装) 进行安装。
复现
我们提供了一些验证过的配置文件,详见 reproduce,请参阅 ./reproduce/<Method_Name>/README.md
了解更多信息。这些符号的含义如下:
:book: 论文中报道的准确度。
:computer: 我们自己报告的准确度。
:arrow_down: 用于下载检查点文件夹的超链接。(包含
config.yaml
,model_best.pth
和train/test log
):clipboard: 配置文件的超链接。
这些检查点也可以在 model_zoo 找到。
数据集
Caltech-UCSD Birds-200-2011, Standford Cars, Standford Dogs, miniImageNet, tieredImageNet 和 WebCaricature 可在 Google Drive 和 百度网盘(提取码:yr1w) 找到。
贡献
欢迎贡献任何类型的功能或增强项,编程风格遵循 PEP 8。请参考 contributing.md(贡献代码) 了解详细的贡献指南。
许可证
此项目基于 MIT 许可证。详情请参见 LICENSE。
致谢
LibFewShot 是一个开源项目,旨在帮助少样本学习的研究者快速了解经典方法和代码结构。我们欢迎其他贡献者使用此框架实现自己的或者其他优秀的方法并将其添加到 LibFewShot 中。此库仅供学术研究使用。使用 LibFewShot 过程中,欢迎任何反馈意见,我们将尽力不断改进此库。
引用
如果您在研究中使用了此代码,请引用我们的论文。
@article{li2021LibFewShot,
title = {LibFewShot: A Comprehensive Library for Few-Shot Learning},
author={Li, Wenbin and Wang, Ziyi and Yang, Xuesong and Dong, Chuanqi and Tian, Pinzhuo and Qin, Tiexin and Huo Jing and Shi, Yinghuan and Wang, Lei and Gao, Yang and Luo, Jiebo},
journal = {IEEE Transactions on Pattern Analysis & Machine Intelligence},
year = {2023},
number = {01},
issn = {1939-3539},
pages = {1-18}
}