# 2022SRP项目：基于优化的少样本学习

**Repository Path**: SiranTang/SRP2022

## Basic Information

- **Project Name**: 2022SRP项目：基于优化的少样本学习
- **Description**: 本仓库用于上传2022SRP项目（基于优化的少样本学习）的任务
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2022-03-08
- **Last Updated**: 2023-03-03

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 2022SRP项目：基于优化的少样本学习

#### 介绍
本仓库用于上传2022SRP项目（基于优化的少样本学习）的任务，作为大家的评分依据。

#### 提交须知
每个人创建一个文件夹，以自己名字命名。在这个文件夹下，以“第一次任务”“第二次任务”等来命名子文件夹。上传的文件要条理清晰、有序。如所给例子。


#### 参考资料来源
Github、CSDN、paperswithcode、Google学术等平台

#### 第一次任务
* 开始时间：2022.3.8
* 结束时间：2022.4.1
* 任务：
    1. 扎实基础：调研少样本学习的经典文献、最新文献（2019-2022），然后写一篇总结。参考文献不少于两篇，总结字数不少于600字，要图文并茂。总结可以包括但不限于以下内容：
        （1） 少样本学习方法的分类
        （2） 列出属于某一种方法的经典文献、最新文献
        （3） 概括该文献的创新点
             ...
    2. 动手实践：阅读并复习论文《Prototypical networks for few-shot learning》，复现时要求分别在两个数据集上进行训练和测试：MNIST、Omniglot。需要把代码、实现结果上传到码云。


#### 第二次任务
* 开始时间：2022.5.8
* 结束时间：2022.5.20
* 任务：
    1. 调研Transformer、Capsule Network的最新文献（2019-2022），要求包括以下内容：
        （1） 文献实验所用的数据集包括但不限MNIST、FashionMNIST、CIFAR10、CIFAR100、SVHN（最好是分类任务，其他任务也可以）
        （2） Transformer部分：列出调研方法的创新点，相对于Transformer来说，做出了哪些改进
        （3） Capsule Network部分：调研引用了Stacked Capsule Autoencoders的工作，并且比较该工作与“Stacked Capsule Autoencoders”的区别
        （4） 每部分的参考文献不少于两篇，要求图文并茂
             ...

#### 第三次任务
* 开始时间：
* 结束时间：
* 任务说明：第三次任务分为两组，每组由2-4个同学合作完成；大家可以先选择自己感兴趣的任务
* 第1组任务：在任务1、2复现的模型的基础上对模型进行优化。在医学图像数据集上训练并测试模型（包括但不限于眼底血管图像、甲状腺图像等数据集）。
    * 任务成员：
    * 分工情况：
* 第2组任务：在任务1、2复现的模型的基础上对模型进行优化。如使用半监督学习方法，加入Attention机制，或者是通过一些基础算法改进模型计算原型的过程。 然后在MNIST、Omniglot两个数据集上做验证。
    * 任务成员：
    * 分工情况：