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)：本篇博客MAML 源代码解释说明

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

了解到meta learning有一种打开了新世界大门的感觉。记录一下Model-Agnostic Meta Learning这篇论文的学习笔记，以便日后自己温习。 已经有两篇写的非常详细清晰的文章，参考这两篇即可： 1.先了解few shot learning 和meta learning的主要解决思路： Few-shot learning（少样本学习）和 Meta-learning（元学习）概

论文 Learned Initializations for Optimizing Coordinate-Based Neural Representations 🎃Abstract1. Introduction2. Related Work3. Overview ⭐4. Results5. Conclusion6. AcknowledgementsA. Implementation de

2020/5/10更新： Reptile这篇论文中说，MAML的实验使用到了transductive Learning的实验设定。关于transductive Learning你可以理解成MAML作者汇报的是训练中query集的结果，而不是我们通常意义的测试集中query集的结果。 这个图表来自Reptile的那篇论文。 以下是原文： 下面是我进行的复现实验的实验结果。 除了20-wa

元学习论文总结||小样本学习论文总结 2017-2019年计算机视觉顶会文章收录 AAAI2017-2019 CVPR2017-2019 ECCV2018 ICCV2017-2019 ICLR2017-2019 NIPS2017-2019   论文翻译：https://blog.csdn.net/weixin_41803874/article/details/91454944 目