ECCVMar, 2020

多域表示下的几分类问题中有关特征的选择

PDF
TL;DR本篇论文提出了一种基于特征选择的新策略，可以更加简单和有效地应对 few-shot 分类问题。该方法首先训练多个具有不同语义的特征提取器，然后根据特定任务的需求自动选择最相关的特征表示，并在此基础上构建简单的非参数分类器，可以在 MetaDataset 数据集上实现最新的结果及 mini-ImageNet 上实现进一步准确度的提高
发现论文，激发创造
  • 多个领域的少样本分类通用表示学习

    本文介绍了通过适配器和居中核对齐等方法，利用多个分别训练的网络的知识来同时学习多个领域上通用的深度表示，通过距离学习方法来有效适应之前未见过的领域，并在 Meta-Dataset 基准测试中取得显著的性能提升。

    Mar, 2021

  • 少即少：使用更少基分类学习更好的少样本问题

    本文研究了在训练数据稀缺的情况下，通过在较少的基础类别上进行微调，以改善少样本学习，探索了提取目标数据集更好特征的可能性，并提供了可在任何少样本解决方案中实施的简单且直观的方法。

    Jan, 2024

  • 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

  • Few-shot 图像分类：使用预训练特征提取器库和简单分类器

    本研究探讨使用预训练特征提取器的集成方法来解决跨域少样本图像分类问题，实验结果表明这种简单且高效的方法在多个少样本任务上都能胜过复杂的元学习算法。

    Jan, 2021

  • 基于判别示例引导和参数高效的特征空间适应的跨领域少样本学习

    本文研究跨领域少样本分类，通过引入轻量级参数适配策略和方差感知损失函数来提高模型性能，在 Meta-Dataset 基准测试中，相较于现有方法，准确率分别提高了 7.7% 和 5.3%，且参数效率至少提高 3 倍，达到了新的国际水平。

    Mar, 2024

  • 跨领域针对小样本分类的优化通用特征学习

    本文提出使用跨领域，跨任务数据作为超参数优化（HPO）的验证目标，通过搜索超参数的方案来学习泛化模型或特征，通过在几个领域内和领域间的少样本图像分类实验表明提出的策略在学习特征方面具有优势。

    Jan, 2020

  • 用于少样本图像分类的解耦特征表示

    本篇论文提出了一种名为 DFR 的新型解缩特征表示框架，它可以适应性地解耦由分类分支建模的有区别性特征和变差分支的类不相关的成分，从而提升了各种少样本任务上深度学习方法的性能，这是通过将其分类分支嵌入 DFR 实现的并在 mini-ImageNet、tiered-ImageNet、CUB 和 FS-DomainNet 等四个数据集上进行了相关实验和测试得出的。

    Sep, 2021

  • 揭开元学习的面纱：理解适用于小样本任务的特征表示

    本研究关注元学习及其在 few-shot 分类任务中达到优秀表现的特征提取器，提出元学习模型表现优秀的原因并给出一种正则化方法来改进标准训练方法，在很多情况下，该方法不仅可超越元学习，且快速度又快。

    Feb, 2020

  • 少样本图像分类的匹配特征集

    本文提出了一种称为 SetFeat 的方法，将现有特征提取器改为从图像中提取一组特征向量，进而实现更好地将基类的富表示性转移到 few-shot 类中。

    Apr, 2022

  • Few-shot 分类的深入探究

    这篇论文介绍了几种代表性的 few-shot 分类算法的一致性比较分析，包括修改的基准线方法，新的评估设置等，并揭示了在 backbones 网络较深时，减少类内变异是一个重要的因素，但与使用较浅的 backbones 网络时不太重要的结论。在现实的跨域评估设置中，我们展示了一种标准的微调实践的基准方法与其他最先进的 few-shot 学习算法相比的优越性。

    Apr, 2019