AAAIDec, 2019

少样本学习的多样性迁移网络

PDF
TL;DR提出了一种基于多样性转移网络（DTN）的生成框架，该框架可以将已知类别中的潜在多样性转移并与支持特征组合，以在特征空间中为新类别生成多样化的样本。该框架通过单阶段网络中的有效元分类损失来解决样本生成（即多样性转移）的学习问题，并提出了一个有组织的辅助任务来稳定 DTN 的元训练过程。在三个数据集上的实验和消融研究表明，DTN 可以在单阶段训练和更快的收敛速度下，获得基于特征生成的少样本学习方法的最先进结果。
发现论文，激发创造
  • Few-Shot 识别的知识图谱迁移网络

    该研究提出了一种基于知识图谱的网络模型，通过在少量训练数据的基础上进行信息传递和语义相关性分析，实现在大规模数据集上进行 few-shot 的学习，取得了较好的效果。

    Nov, 2019

  • DeltaGAN: 基于样本特异性的多样化少样本图像生成

    该论文提出了一种基于 Delta GAN 的少样本图像生成方法，其中的重构子网络和生成子网络一起将输入图像变换为同类别的新图像，并配合对抗性 delta 匹配损失函数使其更加多样化。此方法在五种不同的少样本图像数据集上进行了实验验证其有效性。

    Sep, 2020

  • 多样性与合作：针对少样本分类的集成方法

    本文提出在 few-shot classification 问题中采用深度神经网络集成来解决分类器高方差的问题，通过引入新策略鼓励网络相互合作来提高分类性能，实验结果表明该方法在 mini-ImageNet 和 CUB 数据集上显著优于当前的 meta-learning 技术。

    Mar, 2019

  • 对 Few-shot 图像生成技术的深入研究

    在小目标数据上进行预训练的 GANs 会在生成图像时出现重复样本的问题，研究者提出了几种方法来解决这个问题，但当前缺乏一个统一的分析框架。该论文提出了一个框架来分析现有方法，并发现某些方法过于注重多样性维护，反而抑制了图像质量的提高。在此基础上，研究者提出了一种双重对比学习的方法来缓解多样性退化问题，实验结果表明该方法取得了较好的性能。

    May, 2022

  • 用于细粒度少样本分类的变分特征解缠方法

    本文研究了如何通过增大少样本学习中的类内方差，以提高图像的分类效果，通过变分推断的方式将类内方差分布从基本集合转移到新集合中。实验结果表明，在具有挑战性的细粒度少样本图像分类基准上，该方法在状态 - of-the-art 的方法上有明显提升。

    Oct, 2020

  • 利用数据增强和时频转换进行时间序列分类的小样本学习

    通过数据增强进行的少样本学习，结合时间 - 频率领域的转换和随机擦除合成图像生成，提出了一种新颖的少样本学习框架。实验结果表明，该方法能够在两个数据集上分别达到 93.75% 和 95.48% 的 F1 得分以及 93.33% 和 95.59% 的准确率，证明在解决时间序列分类中的少样本问题上具有实际应用价值。

    Nov, 2023

  • 基于特征分布的迁移学习少样本学习方法

    本文提出了一种新颖的基于转移学习的方法，通过预处理特征向量使其更接近高斯分布，并利用基于最优输运的算法 (在普遍情况下) 加以利用，证明了该方法在各种数据集、主干体系结构和少样本情形下达到最先进的准确性。

    Jun, 2020

  • 跨领域无监督图像生成

    本文介绍了一种 “Domain Transfer Network (DTN)” 算法，它可以通过学习生成一个映射函数，将一个领域中的样本转移到另一个领域，并能在保持其他函数不变的情况下，在包含多分类 GAN 损失的复合损失函数的指导下，增强互补函数，鼓励映射函数将样本从 T 到 T 自身，并且用于数字和面部图像等领域生成新的可信图像，同时保留它们的身份.

    Nov, 2016

  • 多样性帮助：基于分布偏移的数据增强实现无监督少样本学习

    本文提出了一种名为 ULDA 的无监督少样本学习框架，通过数据增强中的分布偏移建立预文本少样本任务，重视分布多样性，扩展训练而实现良好的泛化性能并获得了既定少样本学习任务中的最新结果。

    Apr, 2020

  • 自监督知识蒸馏用于少样本学习

    该论文提出了一种两阶段的学习方法，通过最大化特征嵌入的熵来创造一个最佳输出流形，并通过自我监督的双胞胎约束流形，最小化特征嵌入的熵来提高深度神经网络在少样本学习任务中的表示能力。

    Jun, 2020