"Few-Shot Learning (FSL), то есть классификация изображений на основе малого числа примеров - активно исследуемая в наше время задача в области компьютерного зрения. В данной работе, помимо традиционного сценария FSL (5 классов, по 1 или 5 примеров на класс), рассматривается усложненная и более приближенная к практике версия задачи, в которой количество классов много больше, чем число образцов для каждого класса (100 классов, по 5 примеров на класс), а так же задача применения опыта, полученного из одного датасета, к другому. Для этого были выбраны модели, основанных на т. н. ProtoNet Classifier. Были проанализированы современные исследования в этой области, описанные в них методы реализованы, по-разному скомбинированы и протестированы в описанных сценариях. Для оценки использовался как популярный среди исследователей датасет miniImageNet, так и собранный самостоятельно для многоклассовой задачи датасет, представляющий собой подмножество GoogleLandmarks. В результате работы были определены наиболее эффективные методы решения FSL для различных сценариев, что может быть полезно как при будущих исследованиях, так и при создании промышленных решений в области компьютерного зрения." - Аннотация
В этом репозитории размещен исходный код к работе "Few-Shot Learning при большом числе классов", выполненной в качестве практики в Академическом лицее "Физико-техническая школа" им. Ж. И. Алфёрова, Санкт-Петербург.
Полный текст работы доступен по ссылке.