虚拟数据低样本学习
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。
Jun, 2016
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
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
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
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
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
通过生成附加的正样本进一步扩大对比，我们提出了可高效生成数据的 Hallucinator，它是可微分的，并且在特征空间内创建新数据，从而实现与预训练任务的直接优化，减少幻觉对的互信息并通过非线性操作对其进行平滑处理，以避免过度自信的对比学习模型，并实现更多的变换不变特征嵌入。实验证明，所提出的 Hallucinator 在各种对比学习模型中都具有很好的泛化性能，包括 MoCoV1＆V2，SimCLR 和 SimSiam，其在 CIFAR10＆100，小图像集，STL-10 和 ImageNet 上实现了 0.3％至 3.0％的稳定准确率提升，在目标检测和分割等下游任务中也观察到了改进。
Jul, 2023
通过给定一张未知环境和物体的单一 RGB 图像，我们的模型可以识别潜在任务，并以生动的叙述形式想象任务的执行，生成视频展示。我们开发了一个模块化的流程，逐步增强场景分解、理解和重建，结合 VLM 进行动态交互和三维运动规划用于物体轨迹。我们的模型能够发现各种任务，并产生逼真而引人入胜的视觉结果，对机器和人类都能理解。
Mar, 2024