Dec, 2019

少样本图像分类的联合对齐

PDF
TL;DR本论文提出了关联对齐的思想，将新颖的训练实例与基础训练集中密切相关的样本进行对齐，从而扩大了有效新颖训练集的规模。研究表明采用我们提出的关联对齐策略和以质心为基础的关联损失，相较于现有技术，可以分别在目标识别、细粒度分类和跨领域适应中提高 5-shot 学习的绝对准确率 4.4％、1.2％和 6.2％。
发现论文，激发创造
  • 视觉 - 语义对比对齐在小样本图像分类中的应用

    本文介绍了一种对称的对齐机制，用于学习从极少的例子中获取更广义的视觉概念的方法。实验结果表明，该方法是通用的，并提供了一个强大的基准。

    Oct, 2022

  • 改进的小样本视觉分类

    本文提出了一种名为 Simple CNAPS 的新型神经网络架构，采用 Mahalanobis 距离作为距离衡量标准并学习适应性特征提取器，从而在标准 few-shot 图像分类基准数据集上实现了 6.1% 的性能提升。

    Dec, 2019

  • 学习暗示性时间对齐用于小样本视频分类

    本文提出了一种新的基于匹配的少样本学习策略，结合隐式时间对齐和上下文编码模块以及多任务损失，用于解决视频分类中在有限标注情况下空间 - 时间表征的学习问题，并在两个具有挑战性的基准测试中证明了其优越性。

    May, 2021

  • 协作双通道度量在少样本学习中的应用

    本文提出了一种对 few-shot 分类问题的基础分类方法，和一种在此基础上的协作双路径度量分类方法，将模型在基础分类上的训练结果迁移到新分类中。经过两个基准测试集的验证表明，该方法是一个简单而有效的框架，而且是该领域的新的最先进技术。

    Aug, 2020

  • 配合伙伴学习的少样本图像分类

    本文提出了一种两阶段的训练策略 Partner-Assisted Learning（PAL）用于 Few-shot Learning，通过训练伙伴编码器和主编码器来获得基本表示，并设计对数输出和特征级别的对齐约束，从而在几个基准测试中一致优于最先进的方法。

    Sep, 2021

  • 自适应注意力的小样本分类

    本文提出一种新的 few-shot 学习方法，通过优化和快速适应查询样本的表示来改进 few-shot 分类，所提出的自适应注意力模型还能够解释分类模型所寻找的证据。在各种基准 few-shot 分类和精细识别数据集上，实验证明了所提出模型的分类结果达到了最先进水平。

    Aug, 2020

  • 跨域小样本学习的双自适应表示对齐

    本文提出了一种基于元学习的双自适应表示对齐方法，针对跨域小样本学习问题，在极少量样本的情况下，通过特征和分布的对齐，实现了更好的泛化能力及更高的成果。

    Jun, 2023

  • 简单语义辅助的少样本学习

    利用少量数据进行学习是一项具有挑战性的计算机视觉任务，本文通过引入高质量的语义以及使用简单的网络结构，设计了一个名为 “语义进化” 的自动化方式来解决少样本学习中的问题，实验证明该方法在少样本分类任务中表现优异。

    Nov, 2023

  • 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

  • 基于隐式时间对齐和成对相似度优化的小样本动作识别

    本研究提出了一种基于 LSTM 的 few-shot 动作识别框架，采用了特定的评估设置，隐式序列对齐算法以及新的优化方法，通过在少量数据上最大化同类样本的相似性并最小化不同类之间的相似性来实现 few-shot 动作识别。实验表明，该方法在两个数据集上均取得了较好的效果。

    Oct, 2020