我们提出了一种新的变分推断架构(HF-AR)用于少样本活动识别,在三个广泛使用的数据集上展示了在 1-shot 和 5-shot 分类上优于最先进技术的表现。
Aug, 2021
通过利用公开标记的人体活动识别数据集进行转移学习,我们提出了一种经济有效的跨领域人体活动识别框架,以更好地处理具有非常有限标签信息的活动识别场景。
Oct, 2023
本文综述了深度学习在传感器活动识别中的最新进展,并从传感器模态、深度模型和应用三个方面总结了现有文献,并提出了未来研究的重大挑战。
Jul, 2017
本研究介绍了针对少样本学习的视频动作识别任务,采用双流模型和三种常见的基于度量的算法,通过一组卷积和递归神经网络视频编码器进行训练和评估,证实了双流设置的重要性,并发现原型网络和池化长短期记忆网络嵌入为少样本方法和视频编码器提供了最佳性能。在 Kinetics 600 数据集上进行的 5-shot、5-way 任务中,该设置在测试集上获得了 84.2% 的准确度,而在混淆度较高的 “挑战” 测试集上获得了 59.4% 的准确度。
Sep, 2019
本文为深度学习架构在小数据训练中的应用进行了综述,提供了关键参考和开源代码,为希望在小数据场景下进行 Few-shot 学习的人提供了起点。
Aug, 2020
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。
基于传感器的人体活动识别是一个活跃的研究领域,本文调查了应用于智能家居和可穿戴设备的活动识别的迁移学习方法,总结了现有工作并提出了未来研究方向。
Jan, 2024
通过使用 AI 方法与类人能力相结合的方法来弥补稀缺标记数据的方法被称为 few-shot learning。本文综述并比较了 few-shot learning 方法在生物医学时间序列应用方面的使用,讨论了该方法相对于传统的数据驱动方法的临床好处和局限性,以及对未来研究和应用的影响。
May, 2024
本文旨在提出一种基于元学习的有效的实现少样本迁移学习的方法,该方法使用局部视觉线索学习表示,以在具有不同场景和动作配置的公共数据集之间进行行为分类模型的迁移。结果表明,该方法在跨类别和跨数据集转移方面效果优于现有的行为分类方法。
Jul, 2019
本文介绍了使用外部知识来提升深度学习文本分类模型的 few-shot 学习能力,从而实现少量标注数据就能获得高性能的目的。作者在此基础上提出了一种新的参数生成网络,其能够利用外部知识生成关系网络参数,并将这些参数应用于多个任务中,以实现多个任务之间度量的转换。实验结果表明这种方法优于已有的 few-shot 文本分类模型。
Apr, 2020