AI 詞彙表
人工智能完整詞典
少样本目标检测
目标检测的一个子领域，旨在训练模型，使其能够使用非常有限的训练样本（通常每类少于十个）来识别新的物体类别。
度量学习
一种学习距离函数或嵌入空间的技术，在该空间中，同类物体相近，不同类物体相远，从而便于少样本分类。
原型网络
一种元学习模型，它通过对可用的少数样本特征求平均来为每个类别构建一个“原型”，然后通过将新实例与最接近的原型进行比较来对其进行分类。
匹配网络
一种使用注意力机制来比较新样本（查询）与所有支持样本的架构，并根据每个支持样本的相似度生成一个加权预测。
关系网络
匹配网络的扩展，它显式地学习一个相似度函数（关系模块）来衡量查询样本和支持样本之间的关系程度，而不是使用固定的距离度量。
基于支持的微调
一种策略，将在大型基础数据集上预训练的模型，在非常小的支持数据集（少样本）上进行快速微调，以适应新类别。
嵌入空间
一个低维向量表示空间，物体被投影到此空间中。其设计旨在使向量之间的距离能反映物体的语义或视觉相似性，这对于少样本分类至关重要。
对比损失
度量学习中使用的一种损失函数，它最小化同类样本对（锚点和正样本）之间的距离，同时最大化与不同类样本（负样本）的距离。
三元组损失 (Triplet Loss)
一种损失函数，作用于三元组样本（一个锚点，一个同类的正样本，一个不同类的负样本），用于学习一个嵌入空间，其中锚点与正样本之间的距离小于锚点与负样本之间的距离，差值为一定边界值。
无框检测 (Box-Free Detection)
少样本学习中的替代范式，专注于分类区域中对象的存在，而不预测精确的边界框，从而在数据极其有限时简化任务。
少样本强化学习
使用强化学习算法来优化少样本学习过程，例如学习一种策略来选择最相关的支持样例或调整模型。
类别重新加权 (Class Re-weighting)
一种技术，调整每个类别在损失函数中的贡献，以抵消少样本检测场景中基类（众多）和新类（稀少）之间的极端不平衡。
单样本目标检测 (One-Shot Object Detection)
少样本的极端情况，模型必须从单个标注样本中学习检测新的对象类别，代表了泛化能力的主要挑战。
零样本目标检测 (Zero-Shot Object Detection)
比少样本学习更具挑战性的场景，模型必须检测没有任何视觉样本的对象类别，仅依赖语义描述（例如属性或文本）。