Taiwan
shaohua0116/MultiDigitMNIST
Combine multiple MNIST digits to create datasets with 100/1000 classes for few-shot learning/meta-learning
🎨 Multi-digit MNIST cho Few-shot & Meta-learning
Sinh dataset gồm nhiều chữ số MNIST thành 100 hoặc 1000 lớp, dùng để huấn luyện và đánh giu mô hình few-shot/meta-learning như MAML.
Dự án MultiDigitMNIST của Shao-Hua Sun cung cấp script sinh dữ liệu từ MNIST bằng cách kết hợp nhiều chữ số thành một ảnh. Hai dạng chính: DoubleMNIST (2 chữ số, 100 lớp từ 00–99) và TripleMNIST (3 chữ số, 1000 lớp từ 000–999). Dự án đã chia tập train/val/test (64/20/16 lớp cho Double, 640/200/160 cho Triple) và benchmark MAML trên cả hai bộ dữ liệu.
✨ Điểm nổi bật
- Sinh DoubleMNIST/TripleMNIST: Kết hợp 2 hoặc 3 chữ số MNIST thành ảnh mới với 100 hoặc 1000 lớp.
- Tùy chỉnh tham số: Số ảnh/lớp, kích thước ảnh, số chữ số, tỉ lệ chia tập được cấu hình qua CLI.
- Chia tập train/val/test: Tự động tạo split lớp hợp lệ cho few-shot learning.
- Benchmark MAML: Đánh giu hiệu năng MAML trên cả Double và Triple MNIST.
- Tải dataset mẫu: Cung cấp link Google Drive để tải DoubleMNIST (69MB) và TripleMNIST (883MB).
- Hỗ trợ paper thứ ba: Được dùng trong nhiều nghiên cứu như MetaSDF, GMAIR, Orthogonal Gradients.
💡 Vì sao đáng chú ý
Thay vì dùng MNIST gốc (10 lớp), dự án tạo ra không gian lớp phong phú hơn để kiểm thử khả năng phân loại few-shot/meta-learning. Kết hợp dễ dàng qua CLI, phù hợp cho nghiên cứu và benchmark.
#FewShotLearning #MetaLearning #MAML #MNIST #TiniX
Similar Projects
Discover other similar projects and AI models.
A MNIST-like fashion product database. Benchmark :point_down:
[TPAMI 2023] LibFewShot: A Comprehensive Library for Few-shot Learning.
TensorFlow and PyTorch implementation of "Meta-Transfer Learning for Few-Shot Learning" (CVPR2019)
The code for paper "CANet: Class-Agnostic Segmentation Networks with Iterative Refinement and Attentive Few-Shot Learning"
Official repository of https://doi.org/10.1109/TASLP.2022.3167258. More up-to-date code is in "refactor" branch.
pytorch implementation of Optimization as a Model for Few-shot Learning
Source codes for "Improved Few-Shot Visual Classification" (CVPR 2020), "Enhancing Few-Shot Image Classification with Unlabelled Examples" (WACV 2022), and "Beyond Simple Meta-Learning: Multi-Purpose Models for Multi-Domain, Active and Continual Few-Shot Learning" (SSRN Electronic Journal)