PARN: 面向少样本学习的位置感知关系网络
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
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
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
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
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
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
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
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
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