通过集合函数进行嵌入自适应的小样本学习

CVPRDec, 2018

通过集合函数进行嵌入自适应的小样本学习

Few-Shot Learning via Embedding Adaptation with Set-to-Set Functions

Han-Jia Ye, Hexiang Hu, De-Chuan Zhan, Fei Sha

TL;DR本文提出了一种新的适应实例嵌入到目标分类任务中的方法，通过一种集合到集合的函数，生成特定于该任务且有区分度的嵌入，并在标准少样本分类基准和四个扩展少样本学习设置中进行了验证，取得了一致的改进和最新的最佳结果。

Abstract

Learning with limited data is a key challenge for visual recognition. Many few-shot learning methods address this challenge by learning an instance embedding function from seen classes and apply the function to instances from unseen classes with limited labels. This style of transfer l

few-shot learning instance embeddings set-to-set function transformer state-of-the-art results

发现论文，激发创造

少样本图像分类的匹配特征集

本文提出了一种称为 SetFeat 的方法，将现有特征提取器改为从图像中提取一组特征向量，进而实现更好地将基类的富表示性转移到 few-shot 类中。

Apr, 2022

Few-Shot 学习仍需要嵌入自适应

提出 ATG 聚类方法，定义训练和测试任务集，使其共享预定义量的信息以分析和理解 few-shot 分类方法，并在生成的任务集中展示其有效性和相对于基准任务集的优越性。最后，揭示在迁移最具挑战性时，基于梯度的方法可以超越基于度量的方法。

Apr, 2021

高效的零样本学习无须提示

提出了一种名为 SetFit 的有效、无提示和快速的模型，用于在小规模数据上对 Sentence Transformers 进行 few-shot fine-tuning，通过对预训练模型进行对比式 Siamese 微调，再使用其生成的文本嵌入来训练分类头部，从而获得与传统技术相当的结果，并且解决了手工制作提示和语言模型规模过大的问题。

Sep, 2022

无监督嵌入自适应：利用早期特征重建进行少样本分类

提出了一种针对下游的 few-shot 分类任务的自适应无监督嵌入方法，其中采用了特征重构、维度驱动的早期停止等创新策略来实现通用化特征的提取，与传统方法相比在所有标准设置下都显著提高了准确性，与传统方法结合使用可以进一步在 mini-ImageNet、tiered-ImageNet 和 CUB 等数据集上取得最先进的性能。

Jun, 2021

利用多元嵌入集合改进跨模态检索

本文提出了一种新颖的基于集合的嵌入方法，采用了名为 “smooth-Chamfer 相似度” 的新型相似度函数和一种名为 “slot attention mechanism” 的新型集合预测模块，以有效地捕获输入的多样化语义，并在 COCO 和 Flickr30K 数据集上展示了优异的性能。

Nov, 2022

少样本分类中的泛化思考

通过将输入样本分割成补丁，并借助 Vision Transformers 对其进行编码，从而在图像的局部区域之间建立语义对应关系，而不受其各自类别的影响。利用掩蔽图像建模等方法进行无监督训练，以克服标签不够精细以及避免负面的图像级注释影响，实现了对数据的更一般的统计结构的学习，并在四个流行的 Few-shot 分类基准测试中，对于 5-shot 和 1-shot 情形均取得了新的最优结果。

Jun, 2022

自适应 Poincaré 距离点集用于少样本分类

本文提出了一种上下文感知的双曲度量学习方法，可用于 few-shot learning 任务，并且在多个分类基准上的实验结果表明这种方法不仅具有鲁棒性，而且表现优于基线模型。

Dec, 2021

适应性深度嵌入：k- Shot 归纳迁移学习方法的综合

探讨了机器学习中的归纳迁移学习，比较了基于权重转移、深度度量学习和少样本学习三种方法的最新研究，提出了一种基于少量目标域数据微调基于源域数据的嵌入的混合适应嵌入方法，证明了它们在各种域和不同数量和类别的标记数据中的有效性。

May, 2018

简单语义辅助的少样本学习

利用少量数据进行学习是一项具有挑战性的计算机视觉任务，本文通过引入高质量的语义以及使用简单的网络结构，设计了一个名为 “语义进化” 的自动化方式来解决少样本学习中的问题，实验证明该方法在少样本分类任务中表现优异。

Nov, 2023

增量式少样本实例分割

本文提出了一种基于增量学习的 few-shot 实例分割方法 iMTFA，通过学习区分嵌入向量，以及使用 RoI 级别的余弦相似度匹配类别向量，实现了无需额外训练或访问以前的训练数据即可添加新类别，同时有效解决了存储和内存开销的问题，并在 COCO 数据集上实验表明其优于目前最先进的方法。

May, 2021