问一次射击学习意味着什么？他们是否只需要一幅图像来训练一些新的类别检测？

EN

一次学习指的是在训练数据集中的某些课程中只有很少或一个样本时出现的问题。一个常见的应用是，例如，人脸识别。在这里，您可能只有一个人在您的数据集中的单一图像。尽管如此，你还是希望你的神经网络能够从新的图像中认出那个人。一个很好的介绍是由Andrew 这里提供的。

一个流行的例子是暹罗网由Koch等人介绍。基本思想是在你的训练集中学习一种潜在的图像表示。当推理过程中出现新图像时，网络计算新图像的潜在表示，并在训练集中搜索其潜在表示与新图像最相似的图像，并预测相应的类。

当您没有任何特定类的示例可用时，这被认为是零镜头学习。但是，在这种情况下，神经网络要求数据集包含所有图像的一些辅助信息。最流行的是带有属性的动物数据集(AWA)：

解决零起点学习问题的最初方法分为两个步骤：

1. 对于给定的图像，学习预测属性
2. 学习根据属性预测类

有关详细信息，您可以参考论文基于属性的零镜头视觉对象分类。然而，最近的做法却是另一条途径。

然而，这两种方法都需要学习大型数据集，就像在深度学习中一样。