Dec, 2011

本地朴素贝叶斯最近邻图像分类

PDF
TL;DR本文提出了 Local Naive Bayes Nearest Neighbor 方法，以提高图像分类算法的准确性和拓展性，该方法将所有参考数据合并成一个搜索结构进行快速搜索，并证明此方法可在 Caltech 256 数据集上带来 100 倍的速度提升。同时，也将 NBNN 与空间金字塔方法进行了头对头比较。本文发现，Local NBNN 方法表现优于以往的 NBNN 方法和原始空间金字塔模型，但仍不及使用本地软分配和 max-pooling 的最先进空间金字塔方法。
发现论文，激发创造
  • SimpleShot: 重新审视最近邻分类在少样本学习中的应用

    本文主要研究了基于简单特征变换的最近邻分类器在 few-shot 学习上的精度，并发现在 miniImageNet 数据集中，使用平均值减法和 L2 归一化的最近邻分类器在三个设置上优于之前的结果。

    Nov, 2019

  • 基于灵活 K 近邻分类器的导出和应用：针对基于离子迁移谱的室内定位

    本研究提出了一种新的 KNN 算法，通过测试和比较，在理论场景和基于离子迁移谱指纹的室内定位方面均取得了比标准 KNN 更高的分类准确度，同时要求相同的计算需求。

    Apr, 2023

  • 一个贝叶斯一致的 1-NN 分类器

    通过简单修改最近邻分类器，我们展示了一个强 Bayes 一致的学习器，优于 k-NN 分类器，并在限制样本大小和算法时间方面具有较大的优势，获得了令人鼓舞的实验结果。

    Jul, 2014

  • 深度最近邻异常检测

    该研究探讨在使用 Imagenet 预训练特征空间的情况下，最近的自我监督深度方法是否确实优于最近邻方法进行异常检测。通过实验证明，仅使用简单的最近邻方法在准确度，few shot 泛化，训练时间和噪声稳健性方面均优于自我监督方法，同时在图像分布方面做出较少的假设。

    Feb, 2020

  • 分类的自适应最近邻规则

    该论文提出了一种改进的 K 近邻分类器，它可以自适应地为每个查询选择 K，该选择取决于每个邻域的属性，因此可能在不同点之间显着变化，并且可以利用条件概率推导推导出一些收敛界限。

    May, 2019

  • 利用最近邻居改善分类器的决策边界

    神经网络训练中，决策边界位于训练数据密度低的区域，受到少数训练样本的影响容易导致过度拟合；我们提供了一种简单的算法，通过对样本及其最近邻的预测（在潜在空间中计算）进行加权平均，以优化神经网络在标签噪声、对抗攻击、分类准确性等方面的性能。

    Oct, 2023

  • 神经最近邻网络

    研究了利用自然信号的自相似性进行非局部方法，提出了一种对 KNN 选择规则进行连续确定性松弛的方法，即通过温度参数逐渐接近零将原始 KNN 保持为极限，利用提出的神经最近邻块 (N3 块) 用于现代神经网络建筑中，并展示了其在图像恢复等任务中的有效性。

    Oct, 2018

  • 深度 k 近邻：朝着自信、可解释和鲁棒的深度学习发展

    本研究针对深度学习在对抗性环境下的鲁棒性和预测不可解释性等问题，通过将 k-NN 算法与深度学习结合，提出了一种名为 DkNN 的混合分类器，它可以为输入数据提供信心估计和人类可解释的预测解释。实验证明，DkNN 算法可以准确识别模型外部的输入，同时提供直观和有用的模型失败解释。

    Mar, 2018

  • 重新审视基于局部描述符的图像到类别度量在小样本学习中的应用

    本文介绍了一种以本地描述符为基础的图像分类方案，用于完成少样本学习任务，并证明了该方案具有更高的效率和准确性，实验结果表明，在基准数据集上，本方案相对于其他先进算法的绝对优势高达 17%。

    Mar, 2019

  • 一种新的伪最近邻分类方法：使用局部谐波平均距离

    LMPHNN 是一种基于 KNN 算法的分类器，通过利用谐波平均距离 (HMD) 来改善分类性能，在小样本量或异常值方面具有较低的敏感性。

    May, 2024