随着深度学习的兴起，机器学习算法通过大量的训练数据，在各个领域取得了非常好的性能，但是在数据十分稀缺，或者难以收集时，模型往往无法达到令人满意的性能。
为了解决这一问题，少样本学习（Few Shot Learning）通过利用先验知识，使得机器学习算法能够在少量的样本上进行学习。
少样本学习近年来逐渐成为业界和学术界的研究热点，同时它已经从最基础的图像分类任务开始，向不同任务进行扩展。但遗憾的是，业界一直没有通用的算法库，来服务各类少样本任务算法的研究。
今天，OpenMMLab 为填补这一空白隆重推出 MMFewShot ！
（才不是！——）
MMFewShot 对当下流行的基于深度学习的少样本分类与检测算法，提供了统一的训练、推理、评估的算法框架；简洁的用户接口与高效、强大的基准模型，部分实现精度超出官方版本；延续 OpenMMLab 系列的模块化风格，继承了高度灵活 config 功能。
目前，MMFewShot 代码库已经全面开源。
首个支持分类与检测的开源少样本算法库
少样本学习由于问题设定的需要，往往会通过随机采样少量数据，来对模型的泛化性进行评估；并且许多算法需要通过多个阶段，或者繁琐的操作，对数据进行交互。这两点给代码复现、借鉴、公平对比都带来了很大的困难。
MMFewShot 则包含了如下特点：
8 种少样本分类算法，包括了 Baseline++、MatchingNet、ProtoNet、RelationNet 等；
6种少样本检测算法，包括了 TFA、FSCE、MetaRCNN、AttentionRPN 等；
支持多种数据采样逻辑；
对于少样本分类任务，支持 DistributedDataParallel 进行多卡训练以及Meta Test；
对于少样本检测任务，给出了不同算法在同一设定下统一的评价指标。
强大的基准模型
在 MMFewShot 中，我们复现的部分少样本分类和检测算法，超过官方公布精度。同时我们还对早期的一些少样本检测算法配置进行调整，使得模型远超当时的实现结果。
例如，TFA 模型在 VOC Split1 数据集上的 1shot 到 10 shot 的评价结果，均高论文公布结果(*)。
再如，我们复现并调整了 Meta RCNN 的训练策略，从而使得在统一评价的设定下远超当时论文公布的结果(*)。
模块化设计和丰富灵活的配置文件
同 OpenMMLab 其他算法库一样，我们使用统一框架和模块化设计实现了各个算法。
一方面可以尽量实现代码复用，另一方面，方便大家基于此框架实现新的算法。
以下是 MMFewShot 的大致框架：
MMFewShot 由 4 个部分组成，datasets、models、core 和 apis：
datasets 用于数据集加载和预处理，其中包含训练所需的数据集，数据增广的 pipelines 以及负责数据采样的 dataset wrapper 和 dataloader wrapper；
models 是最重要的部分，算法模型在这里实现；
在 apis 中，我们为模型训练、测试和推理提供一键启动的接口；
core 中实现了用于模型的评估工具和定制的 hooks。
在配置文件方面，得益于 OpenMMLab 强大的且高度灵活的 cfg 模式和注册器机制， MMFewShot 可以做到，不改动代码只编辑配置文件，便可实施消融实验。
相比于计算机视觉领域中常规分类、检测等任务的算法和框架的日臻成熟，在这些任务上进行少样本学习，目前还有许多亟待解决的问题，我们希望 MMFewShot 能够成为该研究领域的基础设施，降低该领域的研究门槛。
文章来源：公众号【OpenMMLab】
2021-11-24 11:58
