Jun, 2019

单向典型网络

PDF
TL;DR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。
few-shot modelsprototypical networksnull classbatch normalizationgaussian layer
发现论文，激发创造
  • 少样本学习的原型网络

    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

  • Gaussian 原型网络在 Omniglot 上的少样本学习

    提出一种新的基于高斯原型网络的 $k$-shot 分类方法，并在 Omniglot 数据集上取得最新的学术成果。

    Aug, 2017

  • 少样本学习的原型校正

    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

  • 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

  • 典型先验：从提高分类到零样本学习

    使用视觉原型概念作为侧面信息，通过将深度网络的输入图像映射到原型嵌入空间，实现对交通标志和商标标志等数据集的图像识别性能的提升，并能够有效地应对零样本学习的情景，从而实现对已知和未知类的统一测试以及在这两个数据集上超越某些最新零样本学习方法。

    Dec, 2015

  • 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

  • 一次性学习的匹配网络

    本研究使用深度神经网络和度量学习的思想，建立了一种学习新概念的框架，从而不需要微调以适应新的类别类型，并在视觉和语言任务中定义了一次性学习问题，实验结果表明，在 Imagenet 数据集上，准确率从 87.6% 提高到 93.2%，在 Omniglot 数据集上，准确率从 88.0% 提高到 93.8%。

    Jun, 2016

  • 不确定性感知的少样本图像分类

    本文提出了一种不确定性感知的 few-shot 图像分类框架，通过模拟查询和支持样本之间相似度不确定性，提高了模型对有限样本的优化能力，并在基准模型的基础上显著提升了模型性能。

    Oct, 2020

  • 语言模型 Few-shot 学习的基准校准

    本文提出了原型校准方法，用于零样本和少样本分类中自适应地学习更健壮的决策边界，以替代贪婪解码。实验结果表明，原型校准在各种任务中都有显著的提高，从而极大地提高了 GPT 对不同模板、排列和类别不平衡的鲁棒性。

    May, 2022

  • 基於知識轉移的少樣本物體檢測

    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。

    Aug, 2020