ICCVMar, 2020

元线性：探索针对少样本学习的简单元学习

PDF
TL;DR本文探讨了在整个标签集上进行全分类的简单方法，并通过此方法在多个基准测试中取得了与现有技术相当的表现。同时，本文还对元学习与全分类目标在少样本学习中的权衡进行了深入分析。
meta-learningfew-shot learningwhole-classificationevaluation metrictrade-offs
发现论文，激发创造
  • 利用基类信息增强元训练的少样本学习

    基于元学习框架，我们提出了一种端到端训练范式，通过整个训练集的信息与元学习训练范式相互增强，以解决少样本学习中训练成本高和性能欠佳的问题。而且，我们的框架是无模型偏见的，相比基准系统提升了约 1% 的性能。

    Mar, 2024

  • 重新思考少样本图像分类：一个好的嵌入就足矣？

    本研究提出，以 meta-training data 为基础，先学习一个监督或自我监督的表征，再在表征上训练线性分类器，可以优于现有的 few-shot learning 方法。自教学技术可以进一步改善。这表明好的学习嵌入模型比复杂的元学习算法更有效。

    Mar, 2020

  • Few-shot 学习的元学习方法：最新进展综述

    该论文介绍了元学习在深度学习中的应用及其近期发展，涵盖度量、记忆、基于学习等方法，并探讨了当前的挑战和未来的研究方向。

    Mar, 2023

  • 一种用于定制模型训练的元学习方法

    本文提出了一种联合训练方法，将迁移学习和元学习相结合，从而在少分类、少样本以及多分类、多样本任务中均可获得更好的泛化性能。

    Sep, 2018

  • 元转移学习用于少样本学习

    本篇论文提出了一种名为元转移学习的新型少样本学习方法，通过训练多个任务以及为每个任务学习深度神经网络权重的缩放和移位函数来实现迁移。作者使用提出的 HT 元批处理方案对 MiniImagenet 和 Fewshot-CIFAR100 这两个具有挑战性的少样本学习基准进行了实验，并将其与相关工作进行了广泛比较，结果验证了元转移学习方法的优越性和高准确性。

    Dec, 2018

  • 基于元度量学习的小样本学习

    本文提出一种基于元度量学习的学习方法，在 $k$-shot $N$-way 和多样化领域任务及灵活标签数量等新设置中均具有优异性能。

    Jan, 2019

  • 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

  • 半监督少样本分类的元学习

    本研究致力于发展一种在少量标记数据情况下对未标记数据进行分类的方法并提出一种新型 Prototypical Networks 和一种使用未标记数据的元学习算法来解实际问题，经过对 Omniglot、miniImageNet 和 ImageNet 进行实验，验证了这些算法可以使预测结果得到显著改进。

    Mar, 2018

  • 通过少样本任务的特征重新审视无监督元学习

    本篇论文提出了基于无监督元学习（UML）的通用嵌入向量生成方式用于 few-shot learning，并结合数据增强、半标准化相似度、混淆实例合成、任务相关嵌入变换等技术，取得了显著优于以前 UML 方法和甚至优于有监督方法的成果。

    Nov, 2020

  • 深度元学习：在概念空间中学习学习

    通过引入深层元学习作为组成部分，将深度学习的表示能力融入到元学习中，通过建立一个刻画高级概念的表征空间，可以有效地改进原先的元学习算法，从而实现对于各种少样本图像识别问题中识别率的提升。

    Feb, 2018