使用原型网络的半监督和主动少样本学习
本文提出一种少样本学习方法,即使用原型网络从小样本中抽象出原型,将其映射到一个度量空间中,比较测试样本和原型之间的距离来进行分类,同时还将其拓展到零样本学习,取得了最先进的结果。
Mar, 2017
本文提出了一种自监督的原型传递学习方法 ProtoTransfer,旨在通过构建一个可以将未标记的样本和它们的增强聚类在一起的度量嵌入来预测少量标记数据的正确类别。我们在 mini-ImageNet 数据集上的少量样本分类任务中通过 ProtoTransfer 方法超越了最先进的无监督元学习方法。在存在领域偏移的少样本实验中,我们的方法甚至具有可比拟于监督方法的性能,但需要 orders of magnitude 较少的标签。
Jun, 2020
本文介绍了一种新的针对单一类别训练原型 few-shot 模型的方法,引入了一个以零为中心的 “空类” 并通过批量标准化实现中心化,同时提出了一个用于距离计算的新的高斯层次,该层次考虑了支撑示例的分布而不仅是它们的质心,在 Omniglot 数据集上得到了.98 的分类准确率,在 MiniImageNet 数据集上的测试准确率为.8。
Jun, 2019
本研究致力于发展一种在少量标记数据情况下对未标记数据进行分类的方法并提出一种新型 Prototypical Networks 和一种使用未标记数据的元学习算法来解实际问题,经过对 Omniglot、miniImageNet 和 ImageNet 进行实验,验证了这些算法可以使预测结果得到显著改进。
Mar, 2018
本文提出了一种新的 few-shot 分割框架,基于原型表示,并将整体类表示分解为一组部分感知原型,能够捕捉多样化和细粒度的物体特征。通过利用无标签数据丰富我们的部分感知原型,提高语义对象的内部变化建模。通过在两个基准测试上进行广泛的实验评估,表明我们的方法优于以前的方法。
Jul, 2020
本文提出一种简单而有效的在转导设置中原型修正方法,利用标签传播减少内类偏差和特征转移减少交叉类偏差,理论分析证明了其合理性及其性能的下限,并在三个少样本基准测试中表明了其有效性。
Nov, 2019
我们提出了一种用于少样本图像分类的传导元学习方法,结合了经过正则化的马氏距离软 k-means 聚类过程和修改后的最先进的神经自适应特征提取器来使用未标记数据提高测试时间分类准确性,我们在 Meta-Dataset、mini-ImageNet 和 tiered-ImageNet 基准测试上取得了最先进的性能。
Jun, 2020
本文提出了一种原型精炼网络(PRNet),通过自适应和融合获取新类别的代表性原型,从而增强了低数据量情况下的原型区分度,实现了少样本分割的挑战,实验结果表明该方法显著优于现有方法。
Feb, 2020