[廣宣學堂] Meta Learning : 暢談深度學習與電腦視覺中的元學習

廣宣學堂為您推出 機器學習學程  備有直播、無疫情地區限制

Meta Learning 元學習

通用型AI: 暢談深度學習與電腦視覺中的元學習

在實務中，資料集常常是機器學習的瓶頸所在，一方面是某些特定類別只有少量的資料可用，比如工業檢測的元件影像集較少、醫學特定病灶判讀影像不易大量取得、或是較特殊的物體種類辨識；另一種可能是測試資料跟訓練資料來自不同的資料領域，比如使用歐洲街景照片訓練的自駕車，因為風格與景象結構差異大，可能無法直接認得亞洲的街景，這類的情況可能無法直接將現成的模型應用在差異較大的場域；除此之外還有形形色色的原因讓機器學習必須要克服傳統依樣畫葫蘆的方式，而著重在可以習得舉一反三的能力，元學習 (Meta Learning) 就是企圖讓機器具有自我學習的能力，也就是讓機器學習如何學習，在現階段的機器學習發展中扮演了一個關鍵的角色。

在這個課程中，我們邀請到高手來到廣宣學堂為我們解析。講師為美國卡內基美隆大學(CMU)電機與計算機工程博士、活躍於 CVPR, ICCV, ECCV, AAAI 等國際尖端機器視覺與人工智慧會議，在產學領域有相當經驗，並且在此領域有精闢的研究。本課程會從電腦視覺之應用出發，說明元學習如何在上述資料稀少、或資料領域有差異的情況，實際解決這些極具挑戰的問題，內容精采。高手精華、快速吸收、機會難得。

 

課程內容

1. 元學習 (Meta Learning) : What?  When?  Why?

    - 元學習的應用場景

    - 元學習的問題定義

    - 有參數法 (Parametric Methods) 與 無參數法(Non-parametric Methods) 方法詳解

2.  應用於少樣本學習 (Few-Shot Learning) 之中的元學習 

    - 少樣本分類 (Few-Shot Classification)

    - 少樣本分割 (Few-Shot Segmentation)

    - 元學習: 是少樣本學習的完美解法嗎?

3. 應用於遷移學習 (Transfer Learning) 之中的元學習

    - 從微調特徵 (Fine-tuned Features) 到領域自適應特徵 (Domain-Invariant Features)

    - 從領域適應 (Domain Adaption) 朝向領域泛化 (Domain Generalization)

    - 跨領域少樣本學習 (Cross-Domain Few-Shot Learning)

 

​​​​

​申請直播服務者請在線上表單上註明參加直播服務