ICCVJun, 2016

通过特征缩小和虚构的方式实现低样本视觉识别

PDF
TL;DR本文提出了一个复杂图像的低 - shot 学习基准模型，并以此为基础，提出一种注重表示规范化技术和为数据稀少的类别提供虚拟训练数据的技术，客观比较了不同方法在低 - shot 学习中的表现，并成功将 ImageNet 数据集中基于 novel classes 的 one-shot 准确率提高了 2.3 倍。
发现论文，激发创造
  • 虚拟数据低样本学习

    本文讨论了人类如何在视觉上快速学习新概念，并探讨如何将这种能力应用于机器视觉系统中的低样本学习中，提出了一种基于元学习的新方法，其中包括一个 “幻视器”，用于生成新的训练样本，显著提高了分类准确性。

    Jan, 2018

  • 无遗忘动态少样本视觉学习

    该研究提出了一种基于卷积神经网络和注意力机制的少样本视觉学习系统，旨在实现在测试时只使用少量训练数据就能有效地学习新类别，同时不会忘记原先基础类别的模型。经过在 Mini-ImageNet 数据集的测试，该模型在 1-shot 和 5-shot 设置下都取得了 56.20% 和 73.00% 的最优成绩。

    Apr, 2018

  • 幻象改善少样本物体检测

    使用幻像网络在 RoI 特征空间中生成特定类别的附加训练样本，并将其整合入现代目标检测模型中，以改善少样本检测。该方法在 COCO 基准测试中实现了新的极少样本检测率的表现，并在两个最先进的少样本检测器上取得了显着的性能改进。

    May, 2021

  • 基于显著性引导的样本幻觉小样学习

    该研究使用显著性图提出了一种新颖的、低成本的数据增强方法，借此在数据稀缺情况下改进少样本学习的性能，并且在公共数据集上实现了最新的技术水平。

    Apr, 2019

  • 少样本分类的标签幻觉

    该研究提出了一种新的适用于 few-shot classification 的方法，使用伪标签技术结合蒸馏损失和标准交叉熵损失来解决小数据集的问题，并取得了比现有的算法更好的效果。

    Dec, 2021

  • 大规模扩散下的小样本学习

    本研究考虑借助大规模相似性图来进行大规模图像标注，在少量样本标注的情况下实现低样本学习低的准确率。研究发现，尽管其概念上很简单，但将标签传播扩展到亿万级别的图像可以实现低样本学习方法的最新准确性

    Jun, 2017

  • 基于语义关系引导的双视角数据超分辨率方法用于少样本图像识别

    通过利用语义关系引导双视图数据幻影，为小样本图像识别提供更多样化和合理化的新数据样本，该框架能通过从基础类别中进行有效的信息传递生成新颖类别的样本。其中，实例视图数据幻影模块利用基础类别的局部语义相关注意力和全局语义特征融合生成新颖类别的每个样本；原型视图数据幻影模块利用语义感知度量来估计新颖类别的原型和相关分布，从而实现对大量样本的重新采样，提高样本的稳定性。通过在几个常用的小样本数据集上与最先进的方法进行了广泛的实验和比较，验证了该框架的有效性。

    Jan, 2024

  • HalluAudio: 将频率幻觉化为概念进行少样本音频分类

    本文针对少样本音频分类提出了一种新的方法，通过结构化的概念辅助实现高频和低频部分的理解和解释，进而利用特殊的音频格式提高性能。在 ESC-50 和 Kaggle18 数据集上的实验证明，本文提出的方法优于现有的基准方案，并具有解释性和潜在应用价值。

    Feb, 2023

  • 利用语言塑造视觉表示进行少样本分类

    本文提出了一种语言塑造的学习方法（LSL），通过利用语言作为监督信号，可以提高小样本学习的效果，在两个具有挑战性的少样本数据集上表现良好。

    Nov, 2019

  • 从机器标注的网络图片中进行小样本物体识别

    本研究提出一种基于抽象记忆的架构，利用机器标注数据，通过查询外部记忆库中与查询问题视觉相似的数据，并将有用的信息写入到抽象记忆中，最终实现了对新领域物体的准确识别。

    Dec, 2016