一次性学习

一次性学习如何运作

OSL 模型通常学习相似性函数，而不是从众多示例中学习如何将输入直接映射到类别标签。其核心思想是确定一个新的、未见过的示例（查询）与每个类别的单个可用标签示例（支持）的相似程度。如果查询示例与特定类别的支持示例高度相似，就会被分配给该类标签。这通常需要使用深度学习（DL）架构，如连体网络（Siamese Networks ），它可以同时处理两个输入，以确定它们的相似性。这些网络通常在大型数据集（如ImageNet）上使用迁移学习进行预训练，以学习稳健的特征表征，然后再通过度量学习等技术适应 OSL 任务。

一次性学习的关键概念

• 支持集：它包含为模型需要学习的每个类别提供的单个标记示例。
• 查询集：它包含模型需要根据支持集进行分类的未标记示例。
• 相似性/度量学习：学习衡量数据点之间相似性的距离函数或度量的过程，对于比较查询示例和支持示例至关重要。
• 偶发训练：一种常见的训练策略，即从一个较大的数据集中抽取许多小的 OSL 任务（事件）对模型进行训练，以模拟训练过程中的单次场景。

一次性学习与相关范例的比较

要理解 OSL，就必须将其与相关概念区分开来：

• 快速学习（FSL）：OSL 被认为是 FSL 的极端变体。OSL 每类只使用一个示例，而 FSL 则每类使用少量（k > 1，通常为 5 或 10 个）示例。两者都能解决数据稀缺的问题，但在可用样本数量上有所不同。有关这些范式的更多信息，请参阅我们的博文 "了解少样本学习、零样本学习和迁移学习"。
• 零点学习（Zero-Shot Learning，ZSL）：ZSL 解决了一个更难的问题：从训练过程中从未见过的类中对实例进行分类。这通常是通过利用辅助信息（如语义属性或文本描述）来实现的，这些信息将看到的类与未看到的类联系在一起。OSL 只需要看到一个实例；而 ZSL 不需要看到任何实例，但需要额外的语义背景。
• 迁移学习与微调：虽然 OSL 经常使用迁移学习（在大型数据集上进行预训练），但其目标有所不同。标准的迁移学习或微调通常假定有合理数量的目标数据可供调整，而 OSL 则专门处理一个实例的限制。定制训练Ultralytics YOLO 模型等技术通常涉及对预先训练的权重进行微调，但每个类别通常需要一个以上的示例。

实际应用

OSL 使以前因数据限制而受阻的各种应用成为可能：

1. 面部识别：安全系统或个人设备可能需要在仅凭一张照片注册后识别或验证一个人。NIST对面部识别技术进行了广泛的测试，其中许多技术都面临着类似的 "几张照片 "或 "一张照片 "的挑战。
2. 稀有物体检测：在制造质量控制或野生动物保护等领域，识别罕见缺陷或濒危物种可能只能通过一个或极少数先前的例子来实现。而像 Ultralytics YOLO11等模型擅长于在数据充足的情况下进行物体检测，而 OSL 技术则可以增强这些模型对极其罕见类别的检测能力。
3. 签名验证：根据存储在文件中的单个参考签名验证个人签名。研究人员通常在低数据量的情况下，探索深度学习在这项任务中的应用。
4. 药物发现：根据非常有限的实验结果确定潜在的候选新药或预测分子特性，加快研究进程。研究表明，OSL 可用于预测药物与靶点的相互作用。

挑战与未来方向

OSL 面临的主要挑战是泛化：一个模型如何才能在不过度拟合的情况下从一个示例中可靠地学习到一个类别的本质？单个支持示例的选择和质量变得至关重要。目前的研究重点是开发更强大的特征表示、更好的相似性度量，以及利用元学习（"学会学习"）等技术来提高 OSL 的性能。将 OSL 功能集成到Ultralytics HUB等通用视觉模型和平台中，可以大大拓宽它们在数据受限环境中的适用性。评估 OSL 模型需要仔细考虑这些挑战条件下的性能指标。