#少样本学习

LibFewShot是一款面向少样本学习研究的开源项目，支持多种经典和元学习方法。项目提供快速安装指南和详细教程，支持的数据集包括Caltech-UCSD Birds、Stanford Cars等，并提供下载多种预训练模型和配置文件。LibFewShot还鼓励代码贡献，遵循PEP 8编码风格。项目采用MIT许可证，仅限学术研究使用。

FSL-Mate提供少样本学习的全面资源，包括FewShotPapers论文列表和PaddlePaddle基础的FSL库PaddleFSL。FSL-Mate项目持续更新，致力于简化少样本学习。最新更新涵盖了ICLR 2024、AAAI 2023、EMNLP 2023，以及ICCV和NeurIPS 2023的相关论文。

ReCon是一个融合对比学习和生成式预训练的3D表示学习框架，有效解决了数据不足和表示过拟合问题。该框架在3D点云分类、少样本学习和零样本迁移等任务中表现出色，在ScanObjectNN数据集上达到91.26%的分类准确率。ReCon展现了在3D表示学习领域的先进性能，为相关研究提供了新的思路。

LLM4Annotation项目概述了大型语言模型在数据标注领域的应用研究。该项目涵盖LLM标注方法、质量评估及学习利用等方面，探讨了LLM提升数据标注效率和质量的潜力。这份综述为相关研究人员提供了系统性参考，展示了LLM在数据标注领域的最新进展。

t-few项目提出一种少样本参数高效微调方法，在多个NLP任务中表现优于GPT-3的上下文学习。项目开源代码包含环境配置、实验运行等功能，并在RAFT基准测试中达到领先水平。这为NLP领域少样本学习提供了高效且低成本的解决方案，研究人员可基于此进行深入研究。

LAMP是一种基于少量样本的视频生成技术,仅需8-16个视频和1个GPU即可训练。该方法可学习特定运动模式,用于文本到视频生成和视频编辑,能创造奔马、烟花等多种动态效果。LAMP为资源受限情况下的视频生成提供了新的解决方案,在视频生成领域具有重要意义。

Grounding DINO 1.5是IDEA Research开发的开放集目标检测模型套件,包括专业版和边缘版两个模型。项目提供模型使用示例,模型托管于DeepDataSpace平台。Grounding DINO 1.5 Pro在COCO、LVIS等多个零样本迁移基准测试中性能领先,并在ODinW少样本设置下创造新纪录。该模型在广泛场景中展现出强大泛化能力,推动了开放集目标检测的发展。

WinCLIP是计算机视觉领域的创新零样本和少样本异常检测算法，专注于异常分类和异常分割。该方法在MVTec-AD和VisA数据集上表现出色，在图像级和像素级异常检测任务中均展现优异性能。项目提供完整实现代码，包含环境配置、数据集准备和结果复现指南，为研究人员和开发者提供重要参考，推动了异常检测技术的发展。

EfficientWord-Net是一个开源的热词检测引擎，基于少样本学习技术，支持开发者添加自定义唤醒词。该项目采用Google的TFLite实现实时推理，架构灵感源自FaceNet的孪生网络。EfficientWord-Net使用Python开发，兼容3.6至3.9版本，提供自定义唤醒词生成和多唤醒词同时检测等功能，适用于家庭助手等应用场景。

SetFit模型结合sentence-transformers/paraphrase-mpnet-base-v2，通过高效的少样本学习实现文本分类。模型采用对比学习微调句子转换器和训练LogisticRegression分类头，具有优异的分类性能。支持最大512标记长度，适用于电话语音邮件和电话树分类需求。模型适合需要高效文本分类的研发人员和数据科学家使用。

项目运用了SetFit框架，实现在BAAI/bge-base-en-v1.5基础上的少样本学习文本分类，结合对比学习和Logistic Regression算法，提升了文本分类的精准度。模型适用于广泛领域，支持长至512个token的文本分类，易于通过SetFit库安装使用，设计理念基于“无提示高效少样本学习”，在小数据集上实现可靠分类表现，提供了一项潜力巨大的深度学习工具。

ZeroShotBioNER是一种创新的生物医学命名实体识别模型，基于Transformer架构，支持零样本和少样本学习。该模型在25多个生物医学NER类别上训练，可识别疾病、化学物质、基因等多种实体。其突出优势在于能进行零样本推理，并仅需少量样本即可针对新类别进行微调。模型采用BioBERT架构，提供详细的使用说明和丰富的实体类别列表，为生物医学文本分析提供了强大工具。

了解利用SetFit和Sentence Transformer进行少样本高效文本分类的方式，该模型微调Sentence Transformer并用其特征进行分类头训练。用户可通过简单安装与代码示例快捷进行推理，显著优化文本分类任务。

XGLM-564M是一个多语言自回归语言模型，具有5.64亿参数，在30种语言的平衡语料库上训练，涉及5000亿子标记。该模型适用于跨语言少样本学习，支持多语言自然语言处理，并在COPA任务上实现零样本评估。有兴趣的用户可查看model card以获取更多使用信息。