因为种种原因，接触了很多视觉相关的任务，想稍作记录，也算没有浪费时间。
直推学习（transductive learning）和 归纳学习（inductive learning）
实际上我们平时所说的learning一般指的是inductive learning。
考虑普通学习问题，训练集为(D={X_{tr}, y_{tr}})，测试（未标记）(X_{te})，众所周知，(X_{te})不会出现在训练集中。这种情况就是inductive learning。
半监督学习的情况，训练集为(D={X_{tr},y_{tr},X_{un}})，测试(X_{te})，此时，(X_{un})与(X_{te})都是未标记的，但我们测试的(X_{te})在训练时没有见过，这种情况是 inductive semi-supervised learning。
如果我们不管(X_{te})，而是想知道对(X_{un})的效果怎么样时，由于此时在训练的时候我们已经见过(X_{un})（利用了(X_{un})的特征信息），这时就叫transductive semi-supervised learning。
简单来说，transductive和inductive的区别在于我们想要预测的样本，是不是我们在训练的时候已经见（用）过的。通常transductive比inductive的效果要好，因为inductive需要从训练generalize到测试。
小样本分类（Few-shot Classification）
任务介绍
- D_base
- D_novel
- Support set
- Query set
数据集
- miniImageNet. 100 classes(64/16/20), 600 images, 84x84
- tieredImageNet. 34 high-level categories(20/6/8), 608 classes(391/97/160)
- CUB. 200 classes(100/50/50), 11788 images, 84x84
- CIFAR-FS. 100 classes(64/16/20), 100x600 images, 32x32