PARN: 面向少样本学习的位置感知关系网络

Sep, 2019

PARN: 面向少样本学习的位置感知关系网络

PARN: Position-Aware Relation Networks for Few-Shot Learning

Ziyang Wu, Yuwei Li, Lihua Guo, Kui Jia

TL;DR本文提出了一种基于位置感知的关系网络（PARN）来学习更灵活和强韧的测度能力，以解决 few-shot learning 中的问题。通过引入可变形特征提取器（DFE）和设计双相关性注意力机制（DCA），成功地使我们的方法能够知道语义对象的位置，并在多个基准数据集上取得最先进的表现。

Abstract

few-shot learning presents a challenge that a classifier must quickly adapt to new classes that do not appear in the training set, given only a few labeled examples of each new class. This paper proposes a position-aware relation network (PARN) to learn a more flexible and robust

few-shot learning position-aware relation network metric ability relation networks deformable feature extractor

发现论文，激发创造

学习对比：关系网络用于少样本学习

本文提出了一个概念简单、灵活、普适的框架来进行少样本学习，并在五个基准测试中展示了该方法的有效性。

Nov, 2017

PARN: 金字塔仿射回归网络用于密集语义对应

本文提出了一种基于金字塔的仿射回归网络 (PARN) 的深度体系结构，用于估计图像间的局部可变仿射变换场，实现在深度网络中粗到细的密集 affine 变换场估计。我们提出了一种新的弱监督训练方案，利用图像对之间的对应关系来生成渐进式监督，并将其应用于我们的 PARN 模型。尽管 PARN 仅在有限的监督下进行训练，但实验结果显示在各种基准测试中，PARN 的性能优于现有方法。

Jul, 2018

注意力 RPN 和多关系检测器的小样本目标检测

本文提出一种新的 few-shot 目标检测网络，使用少量注释的示例检测未见过的物体类别，并通过 Attention-RPN，Multi-Relation Detector 和 Contrastive Training 策略来抑制背景误检。作者还贡献了一个包含高品质注释的 1000 个物体类别的新数据集，是针对 few-shot 目标检测的首批数据集之一。该方法在不同数据集上取得了新的最佳性能表现，具有广泛的潜在应用。

Aug, 2019

人脸识别的配对关系网络

本文提出了一种基于 pairwise relational network (PRN) 的人脸识别方法，使用本地外观补丁捕捉局部特征并捕捉不同身份之间独特而具有区分性的成对关系，融合全局特征表示和面部身份状态特征来进一步提高准确性，在 LFW、YTF 和 IJB 数据集上都获得了良好的实验效果。

Aug, 2018

TARN: 时间注意力关系网络用于少样本和零样本动作识别

本文提出了一种基于时间注意力关系网络的方法，通过利用注意力机制执行时间对齐，并在视频片段级别上学习深度距离度量，从而在少样本和零样本动作识别方面取得了优越的实验结果。

Jul, 2019

RankDNN: 学习用于少样本学习的排序深度神经网络

本文提出了一种新的 few-shot learning pipeline，将图像检索的相关性排名转化为二进制排名关系分类。我们的深度神经网络的核心组件是一个简单的 MLP，并可构建于任何最先进的特征提取器之上。在元测试期间，RankDNN 根据支持图像与查询样本的相似度对其进行排名，并将每个查询样本分配给其最近邻的类标签。实验表明 RankDNN 能有效提高其基线算法的性能，并在包括 miniImageNet、tieredImageNet、Caltech-UCSD Birds 和 CIFAR-FS 在内的多个 few-shot 学习基准上优于先前的状态 - of-the-art 算法。

Nov, 2022

用于关系推理的简单神经网络模块

本研究使用关系网络（RNs）作为简单的即插即用模块来解决需要基于关系推理的问题，并在三个任务中测试了 RN 增强网络，在使用挑战性数据集 CLEVR 进行视觉问答时，取得了超越人类的最好表现；使用 bAbI 套件的任务进行基于文本的问答；以及关于动态物理系统进行复杂的推理。使用一个精选的数据集 Sort-of-CLEVR，表明强大的卷积网络不具备解决关系问题的一般能力，但可以在增加 RN 的情况下获得这种能力。我们的工作展示了如何利用配备 RN 模块的深度学习架构隐式地发现并学习实体及其关系。

Jun, 2017

从纠缠的场景表示中发现对象及其关系

本文引入的关系网络（RNs）- 一种通用的神经网络架构，可用于从场景描述数据中学习对象关系，并从变分自编码器提供的场景图像的分布式深度表示中分离出错综场景描述输入的对象。

Feb, 2017

利用本地外貌特征的两两关系网络进行人脸识别

提出了一种新的人脸识别方法，称为对比关系网络，该网络利用特征图上地标点周围的局部外观特征，捕捉相同身份的独特对比关系和不同身份之间的有区别性的对比关系，并通过添加面部身份状态特征来进一步提高准确性。

Nov, 2018

基于关系感知网络和注意力损失的少样本知识图谱补全

本文提出了一种 RANA 框架，用于处理 FKGC 任务中的零损失问题与上下文相关的实体表示，并在两个基准数据集上展示其胜过现有模型的性能。

Jun, 2023