Feb, 2019

Few-Shot学习基准太简单了吗？ 无需测试任务监督即可解决

HTML
PDF
TL;DR本文介绍了一种名为Centroid Networks的baseline方法，能够在测试时隐藏支持集标签并在必要时通过聚类来恢复标签，以此研究在测试时缺乏支持集标签的场景下，少样本学习的解决方案。同时，作者提出以新的架构和数据集作为基准，在测试时不依赖支持集标签对准确性的影响进行评估。
发现论文，激发创造
  • 使用原型网络的半监督和主动少样本学习

    本文提出了一种基于聚类的半监督少样本分类方法，使用Prototypical Networks提取特征并结合K-means聚类算法，利用少量标记样本指导聚类过程，而用户反馈可以显著改善适应性能。通过图像数据的实验，证明了该策略的良好性能。

    Nov, 2017

  • 半监督少样本分类的元学习

    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

  • 基于无限混合原型的少样本学习

    通过无限混合原型提出一种适应性增强的聚类算法，可用于少样本学习，半监督学习和无监督聚类，而不仅仅是单个类簇，能够实现更准确和更鲁棒的结果。

    Feb, 2019

  • Meta-Dataset: 从少量示例中学习的数据集

    提出了一个名为Meta-Dataset的大规模基准数据集，用于训练和评估模型在少样本分类问题上的性能，并探讨模型对不同训练来源的泛化能力和元学习的好处。

    Mar, 2019

  • SimpleShot: 重新审视最近邻分类在少样本学习中的应用

    本文主要研究了基于简单特征变换的最近邻分类器在few-shot学习上的精度，并发现在miniImageNet数据集中，使用平均值减法和L2归一化的最近邻分类器在三个设置上优于之前的结果。

    Nov, 2019

  • 元线性：探索针对少样本学习的简单元学习

    本文探讨了在整个标签集上进行全分类的简单方法，并通过此方法在多个基准测试中取得了与现有技术相当的表现。同时，本文还对元学习与全分类目标在少样本学习中的权衡进行了深入分析。

    Mar, 2020

  • 几何约束下的小样本学习

    本篇文章提出了两个几何约束条件，用于将新类别的特征点聚集在类别权重周围，保持其与基础类别权重的差距，从而提取新类别的有区分性特征点，同时保留了基础类别学习的特征空间，最终在ImageNet数据集的few-shot learning任务中取得了显著优势。

    Mar, 2020

  • 重新思考少样本图像分类：一个好的嵌入就足矣？

    本研究提出，以meta-training data为基础，先学习一个监督或自我监督的表征，再在表征上训练线性分类器，可以优于现有的few-shot learning方法。自教学技术可以进一步改善。这表明好的学习嵌入模型比复杂的元学习算法更有效。

    Mar, 2020

  • 利用无标签示例增强少样本图像分类

    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

  • 基于背景聚类的少样本分割预训练

    本研究提出了一种新的针对少样本分割的预训练方案，通过将新颖类别与背景解耦来解决合并背景问题，称为背景聚类预训练（BCPT），实验证明BCPT在PASCAL-5i和COCO-20i数据集上获得了先进的性能表现。

    Dec, 2023