Mar, 2020

重新思考少样本图像分类：一个好的嵌入就足矣？

PDF
TL;DR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。
meta-learningfew-shot learningsupervised learningself-supervised learninglinear classifier
发现论文，激发创造
  • 无监督学习在少样本图像分类中的应用

    本研究提出了一种自我监督学习的方法，以训练更通用的嵌入网络，可以在少样本的情况下实现更好的图像分类性能，即使在跨域情况下也表现出一定的鲁棒性。

    Nov, 2019

  • 元线性：探索针对少样本学习的简单元学习

    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。

    Mar, 2020

  • 嵌入式类模型和无样本元训练的少样本学习

    该研究提出了一种适用于任意类别和任意样本数的少样本学习嵌入方法，通过定义隐式的类别表示函数和学习原型和模型参数来实现，其中类别嵌入涵盖了度量学习，并能够在不拥挤的类别表示空间中添加新类别，并取得了基准数据集最好的性能表现。

    May, 2019

  • Few-Shot 视频分类的深入研究：新基准和基础线

    本文旨在深入研究几种少量数据学习框架用于视频分类的方法，通过提出基于分类器的基线模型等贡献，发现现有的度量学习法存在的局限性，并发现新行动类别和 ImageNet 物体类别之间高度相关，最终提出了一个新的基准数据集以促进未来的少样本数据的视频分类研究，该代码将在指定网址上公开。

    Oct, 2021

  • 元学习代表性嵌入进行皮肤镜图像的少样本分类

    本文旨在提高元学习以用于分类皮肤镜图像，通过使用少样本学习（few-shot learning）和元学习方法，实验结果表明，本文的方法能够显着提高皮肤镜图像的分类性能。

    Oct, 2022

  • 可微凸优化的元学习

    提出了一种名为 MetaOptNet 的元学习方法，该方法使用线性预测器作为基本学习器来学习用于少样本学习的表示，并表现出了在一系列少样本识别基准测试中，在特征大小和性能之间提供更好的折衷方案，并取得了最先进的性能。

    Apr, 2019

  • 用于元学习少样本分类的回归网络

    本研究提出回归网络，用于解决少样本分类问题。该方法通过在类子空间中回归最近的近似点实现分类，使用回归误差作为距离度量，并将元学习引入到嵌入空间中。使用此简单归纳偏差的回归网络方法在有限数据情况下表现出色，特别是在能够用多个样本形成聚合类表示时。

    May, 2019

  • 基于度量的小样本图分类

    本研究针对数据稀缺度的问题，提出了一种利用距离度量学习方法和基于图表征学习的分类模型的 few-shot 学习方法，同时在嵌入空间中实现了任务驱动嵌入，最后提出了一种基于 MixUp 的在线数据增强技术。

    Jun, 2022

  • 少样本分类中的泛化思考

    通过将输入样本分割成补丁，并借助 Vision Transformers 对其进行编码，从而在图像的局部区域之间建立语义对应关系，而不受其各自类别的影响。利用掩蔽图像建模等方法进行无监督训练，以克服标签不够精细以及避免负面的图像级注释影响，实现了对数据的更一般的统计结构的学习，并在四个流行的 Few-shot 分类基准测试中，对于 5-shot 和 1-shot 情形均取得了新的最优结果。

    Jun, 2022

  • 基于度量无关条件嵌入的小样本学习

    提出了一种新的神经网络结构，利用基于目标图像的条件来学习高质量的类别表示，采用动态学习方式进行类别之间的对比，对 Caltech-UCSD 鸟类细粒度分类任务取得了最先进的性能。

    Feb, 2018