基于特征转换集成模型的批次谱正则化用于跨领域少样本分类
本文提出了一种新的元 - 混合网络,提出了利用少量标记目标数据来指导模型学习的想法,通过重新提出并将混合模块集成到元学习机制中,以及通过提出新的解缠模块和域分类器来提取解缠的领域无关和领域特定特征的方法,实现了缩小域差距的目的,从而使模型能够很好地推广到目标数据集。
Jul, 2021
本文旨在解决度量方法下少样本分类领域差异的问题,使用特征转换层进行数据增强以模拟不同域下的特征分布,并应用 “学习学习” 方法搜索超参数来捕捉不同域下的特征分布变化,实验结果表明该方法适用于不同的度量模型,能够提高少样本分类准确性。
Jan, 2020
我们通过在训练阶段让目标领域中的一小部分无标签图像可访问,解决基于跨域 few-shot 分类的问题,同时通过指导网络的浅层学习更高级别的信息的跨层级知识蒸馏方法提取更有区分度的特征,以及通过特征去噪操作减少特征冗余并减轻过拟合,我们的方法在 BSCD-FSL 基准测试中平均超过了先前的最优方法 Dynamic-Distillation 在 1-shot 和 5-shot 分类任务上分别提升了 5.44% 和 1.37%。
Nov, 2023
提出了一种新颖的跨领域少样本视频动作识别方法,利用自监督学习和课程学习平衡源领域和目标领域的信息以解决多样性之间的挑战。在几个具有挑战性的基准数据集上评估并展示了该方法优于现有的跨领域少样本学习技术。
Sep, 2023
利用少量训练数据,跨域迁移,多标签元学习等方法,提出了一个称为综合交叉域多标签少样本学习(GenCDML-FSL)的集成框架,用于胸部 X 射线异常分类,实验证明其优于传统方法。
Sep, 2023
本文提出了一种新的训练方法,通过已有的解释方法来解释模型的预测,以及开发了一种模型不可知的解释引导训练策略,动态找到并强调对预测重要的特征,从而改善跨域少样本分类任务中模型的泛化能力,并在五种 few-shot 学习数据集上观察到了三种不同 FSC 模型(RelationNet,交叉注意力网络和基于图神经网络的公式)的准确性提高。
Jul, 2020
通过多模态输入和无标签目标数据解决跨领域少样本学习中视角行为识别的两个关键挑战,即视角视频的领域差异和实际应用的计算成本问题。提出了 MM-CDFSL 方法,通过教师模型的多模态蒸馏和集成遮蔽推理,增强模型对目标域的适应性并提高推理速度。在多个视角数据集上的性能优于现有的跨领域少样本学习方法,同时提高了推理速度。
May, 2024
针对 Few-shot Learning 中存在的数据稀缺问题和特征提取模型的多样性,本文提出了一种名为 MHFC 的算法来解决分布偏移问题,该算法采用子空间学习的方法将多头特征进行融合,并设计了一个注意力模块自动更新 feature 权重,从而获得更具有鉴别性的特征。在五个基准数据集上进行验证,与现有技术相比,实验结果取得了 2.1%-7.8%的显着提升。
Sep, 2021
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
通过设计自适应语义一致性机制,提出了一种适应性的源领域知识转移框架(ASC),通过在源领域预训练中重用源图像并设计自适应的权重分配策略,实现了源领域知识向目标领域的显式转移,有效地减轻了跨领域 few-shot 分类中过拟合的问题。
Aug, 2023