摘自：Meta-Transfer Learning for Zero-Shot Super-Resolution 近年来，提出了各种元学习算法。它们可以分为三类： 基于度量的方法：这些方法通过学习度量空间，使得在少量样本内进行高效的学习。例如[35, 38, 39]。基于记忆网络的方法：这些方法利用网络学习跨任务知识，并且能够很好地泛化到未见过的任务。例如[31, 28, 25]。基于优化的方

元学习系列文章 optimization based meta-learning 《Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks》 论文翻译笔记：本篇博客元学习方向 optimization based meta learning 之 MAML论文详细解读MAML 源代码解释说明 (一)MAML 源代码解释说明

摘要： 我们提出了一种不依赖模型的元学习算法，它与任何梯度下降训练的模型兼容，适用于各种不同的学习问题，包括分类、回归和强化学习。元学习的目标是在各种学习任务上训练一个模型，这样它只需要少量的训练样本就可以解决新的学习任务。在我们的方法中，模型的参数被显式地训练，使得少量的梯度步骤和少量的来自新任务的训练数据能够在该任务上产生良好的泛化性能。实际上，我们的方法训练模型易于微调。结果表明，该方法在

我的笔记 摘要        当前用于提取显着性图的方法可识别输入的某些部分，这些部分对于特定的固定分类器而言最为重要。我们表明，这种对给定分类器的强烈依赖会阻碍其性能。为了解决这个问题，我们提出了与分类器无关的显着性图提取，该方法可以找到任何分类器都可以使用的图像的所有部分，而不仅仅是预先指定的部分。我们观察到，所提出的方法比以前的工作提取了更高质量的显着性图，同时在概念上简单且易于实现。

总结 此篇论文2020年发表于CVPR，可以说是多任务的神经网络结构搜索的经典之作。其侧重于寻找任务之间的相互关系，是一种任务无关的结构搜索方法。其特点大致如下: 使用基于单次梯度的搜索方法。定义了基于节点的搜索空间。提出使用熵最小化使模型收敛于某个结构。 方法总览 具体来说，多个固定的单任务网络分支开始，将每个中间层表示为一个节点，将相关的特征融合操作表示为一条边。因此，问题变成了寻找

论文地址：https://arxiv.org/pdf/2005.02551.pdf 发表时间：2020 代码地址：https://github.com/hkchengrex/CascadePSP 2020年最先进的语义分割方法几乎只在一个固定的分辨率范围内的图像上进行训练，这对于非常高分辨率的图像是不准确的，因为使用低分辨率分割的双边上采样不能充分捕捉沿物体边界的高分辨率细节。在本文中，我们提出

CVPR2020: CascadePSP: Toward Class-Agnostic and Very High-Resolution Segmentation via Global and Local Refinement 题目：通过全局和局部优化进行超高分辨率的图像分割 论文地址：https://arxiv.org/abs/2005.02551 代码地址：https://githu

FRAGE: Frequency-Agnostic Word Representation 文章目录 FRAGE: Frequency-Agnostic Word Representation写在最前摘要1. 介绍(Introduction)2. 背景(Background)2.1 词表示 (Word Representation)2.2 对抗训练(Adversarial Training