少样本学习中的实例可信推断

CVPRMar, 2020

Instance Credibility Inference for Few-Shot Learning

Yikai Wang, Chengming Xu, Chen Liu, Li Zhang, Yanwei Fu

TL;DR本文提出了一种称为 ICI 的简单统计方法，利用未标记实例的分布支持来解决少样本学习问题，并通过增加偶发参数的稀疏度排名伪标签实例的可靠性和进行多次迭代的重新训练来改善分类器效果，大量实验证明该方法可以在四种流行的少样本数据集上获得新的最先进的表现。

Abstract

few-shot learning (FSL) aims to recognize new objects with extremely limited training data for each category. Previous efforts are made by either leveraging meta-learning paradigm or novel principles in data augmentation to alleviate this extremely data-scarce problem. In contrast, thi

few-shot learning instance credibility inference linear classifier unlabeled data state-of-the-art

发现论文，激发创造

如何信任未标记的数据？针对少样本学习的实例可信推断方法

本文提出了基于 Instance Credibility Inference (ICI) 统计方法的 few-shot 图像识别方法，用于充分利用未标记实例的支持，以预测伪标签并选择其置信度最高的实例来扩充训练集以重新训练分类器。

Jul, 2020

干预式少样本学习

通过构建因果模型，提出了一种新的干预式 Few-Shot 学习范式，与现有的 Fine-tuning 和 Meta-learning 等方法正交，可以显著提高它们的性能，在多个数据集上均取得新的 1-/5-shot 最新成果。

Sep, 2020

迭代标签清理用于传导式和半监督式小样本学习

本论文介绍了一种改进的算法，利用有标注数据和无标注数据的流形结构预测伪标签，在类之间平衡，并使用容量有限的分类器的损失值分布选择最干净的标签，以迭代方式改善伪标签的质量，从而在几个基准数据集上超越了现有技术结果，具有数据可用性与特征空间预处理的健壮性。

Dec, 2020

有效的几类点云分类任务需要什么？

该研究对最近在机器学习领域受到欢迎的少样本学习在三维感知上的应用进行了深入系统研究，提出了一种新的组件 Cross-Instance Adaptation（CIA） module，将其插入到当前基线模型中可显著提高表现，并在两个新的基准数据集上证明了该模型的优越性。

Mar, 2023

少样本类别增量语义分割：伪标记和知识蒸馏

我们提出了一种从少量样本中学习语义分割模型的新类别的方法，通过伪标签策略进行扩充，通过知识提取能够保留现有类别的知识。

Aug, 2023

Few-Shot 类增量学习调查

本文从方法学、性能、应用等多个角度全面分析了最新的 few-shot class-incremental learning（FSCIL）的进展，包括理论研究、性能评估和应用案例，针对当前存在的数据实时性差、忘记之前学习内容、过拟合等问题，提出了一种划分方法，将 FSCIL 分成了传统机器学习方法、元学习方法、特征和特征空间方法、重放方法和动态网络结构方法等五个子领域，并介绍了该领域在计算机视觉、自然语言处理和图像处理等多个方面的应用及未来的研究方向。

Apr, 2023

少样本全生命周期学习

本文提出了一种新的少样本生命周期学习方法，通过仅训练模型的部分参数来防止过拟合，同时最大程度上减少了灾难性遗忘，并通过减小新旧类别原型之间的余弦相似度以最大化它们的分离来提高分类性能，同时还证明了结合自我监督的方法可以显著提高模型性能。

Mar, 2021

少样本分类的标签幻觉

该研究提出了一种新的适用于 few-shot classification 的方法，使用伪标签技术结合蒸馏损失和标准交叉熵损失来解决小数据集的问题，并取得了比现有的算法更好的效果。

Dec, 2021

利用无标签示例增强少样本图像分类

我们提出了一种用于少样本图像分类的传导元学习方法，结合了经过正则化的马氏距离软 k-means 聚类过程和修改后的最先进的神经自适应特征提取器来使用未标记数据提高测试时间分类准确性，我们在 Meta-Dataset、mini-ImageNet 和 tiered-ImageNet 基准测试上取得了最先进的性能。

Jun, 2020

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