作者：明泽Danny

来源：公众号|计算机视觉工坊（系投稿）

我们在上篇—

小样本学习主要研究如何通过少量样本学习识别模型。目前学术界普遍研究的是N-way-K-shot问题，即进行N个类别的识别，每类有K个样本。训练过程以task为单位，会用到两个数据集：Support set S 和 Query set Q 。对于模型训练过程中的每个task（episode），选定M个class，每个class选择N个样本，这M x N个样本也称为support set。对于另一个从这M个class中选择的待预测样本，模型需要确定其属于哪个class，这类问题也称为M way N shot。在测试过程中，对于在训练集中从未见过的class，模型需要在M way N shot的模式下正确分类出样本的类别。常见的M和N的设置为：5 way 1 shot, 10 way 1 shot, 5 way 5 shot, 10 way 5 shot。

Conv2D基本原理与相关函数

常见的图像卷积是二维卷积，而深度学习中Conv2D卷积是三维卷积，图示如下：

1. 前言

今天为大家科普一篇 ECCV 2018 的一篇目标检测网络 RFBNet，论文全名为：Receptive Field Block Net for Accurate and Fast Object Detection 。这篇论文主要的贡献点主要是在 SSD 网络中提出了一个 Receptive Field Block (RFB) 模块，RFB 模块主要是在 Inception 的基础上加入了空洞卷积层从而有效的增大了感受野。另外，RFB 模块是嵌在 SSD 上的，所以检测的速度比较快，精度比 SSD 更高。

描述

原文：Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs

第一章、表分区问题

第1节、问题

单表数据量过大，导致插入、查询、更新效率下降，可以通过oracle分表机制优化该问题。