Jun, 2017

基于概率模型的有区分性 k-shot 学习

PDF
TL;DR本文介绍了一种概率框架来进行 k-shot 图像分类。该方法将从初始大规模分类任务中学习的表示转移并结合了关于类别的信息，用于建立后验概率模型进行 k-shot 学习，结果表明即使是简单的概率模型也能取得与当前最先进算法相当的识别率，并能够准确建模不确定性。
probabilistic frameworkk-shot image classificationneural networkprobabilistic modelconcept transfer
发现论文，激发创造
  • HyperShot: 基于核超网络的少样本学习

    本文提出了 HyperShot—— 一种融合内核和超网络范例的高效 few-shot 学习方法，它利用超网络从支持的数据中返回算法分类器手工制作的参数，并通过内核表示支持数据的关系来适应高度不同的任务。

    Mar, 2022

  • 基于贝叶斯的预训练模型在低 - shot 图像分类中的探索

    基于高斯过程的概率模型集成框架，通过结合 CLIP 和基于各种预训练模型构建的深度核函数集成，实现了先验知识的整合，并在标准基准上通过广泛实验证明了我们方法在预测性能方面始终优于竞争方法。

    Mar, 2024

  • 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

  • 不确定性感知的少样本图像分类

    本文提出了一种不确定性感知的 few-shot 图像分类框架，通过模拟查询和支持样本之间相似度不确定性，提高了模型对有限样本的优化能力，并在基准模型的基础上显著提升了模型性能。

    Oct, 2020

  • 图像识别少样本学习的两阶段方法

    本论文提出了多层神经网络结构来实现少样本图像识别任务，其中包括特征提取和分类两个阶段，采用 Mahalanobis 距离计算平均类别特征和测试样本的距离，并通过学习映射将样本原型映射到对应类别的原型上，该网络在四个标准的少样本图像识别数据集上表现出优越的性能。

    Dec, 2019

  • 少样本分类通用性预测的统计模型

    本文提出了一种基于高斯模型的特征分布参数估计方法，通过估计类间条件密度之间的距离实现对于少样本分类任务中泛化误差的预测，并在实验中表明该方法优于 leave-one-out cross-validation 等传统方法。

    Dec, 2022

  • Few-Shot Learning 中的 Shot 数量理论分析

    本文研究了现有少样本分类方法，提出了一种鲁棒性较好的方法来应对培训数据量和测试数据量不匹配等情况。该方法通过理论分析，将嵌套式学习（meta-learning）与原型网络（Prototypical Networks）相结合，以研究最佳 “Shot Number”（样本数量数），并取得了在少量训练数据和多量测试数据情况下良好的性能表现。

    Sep, 2019

  • 基於知識轉移的少樣本物體檢測

    本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。

    Aug, 2020

  • 正则化深度网络的高效 K-Shot 学习

    为了解决小规模数据下优化问题，我们提出了一种对预训练深度神经网络进行微调的简单而有效的正则化方法，它的核心策略是将模型参数聚类，确保聚类内的相似性和聚类间的差异性，提高参数搜索空间的正规性； 具体而言，我们使用强化学习搜索策略和递归网络来学习每个网络层的最优分组，实验结果表明，相较於其他最新的基于微调的 k-shot 学习策略，我们的方法可以轻松应用于几种流行的卷积神经网络，提高了 10% 以上的性能。

    Oct, 2017

  • 概率模型无关元学习

    该论文提出了一种概率元学习算法，能够从模型分布中采样模型，并且在模型适应新任务时注入噪声来减少任务模糊性，实验结果表明，该方法可以在模糊的少样本学习问题中采样出可信的分类器和回归器，并且阐述了如何利用对模糊性的推理来解决活跃学习问题。

    Jun, 2018