Jun, 2020

基于特征分布的迁移学习少样本学习方法

PDF
TL;DR本文提出了一种新颖的基于转移学习的方法，通过预处理特征向量使其更接近高斯分布，并利用基于最优输运的算法 (在普遍情况下) 加以利用，证明了该方法在各种数据集、主干体系结构和少样本情形下达到最先进的准确性。
few-shot classificationtransfer-based methodsgaussian-like distributionsoptimal transportstate-of-the-art accuracy
发现论文，激发创造
  • 最大化骨干特征分布以实现高效的少样本学习

    本文提出了一种新颖的基于迁移学习的方法，旨在处理特征向量使其更接近高斯分布，加大分类准确性。同时，在具备未标注测试样本的传导式 few-shot 学习中，也提出了基于最优传输启示的算法以进一步提高性能。经过标准化的视觉基准测试，研究发现该方法可以在各种数据集、主干架构和少样本的情况下获得最先进的精度。

    Oct, 2021

  • 通过分布估计提高少样本文本分类

    本文提出了两种简单而有效的方法通过无标签查询样本来估计新颖类别的分布，从而避免了负面转移的问题。经过多个数据集的实验，该方法明显优于现有的先进方法。

    Mar, 2023

  • 借助最优输运的合成特征进行少样本目标检测

    通过训练生成器来捕捉基础数据集的数据变化，并将其转化为新类别的合成数据，以实现少样本目标检测。通过使用最优输送损失训练生成器，最小化真实数据和合成数据之间的最优输送距离，我们提出的方法在两个基准数据集上显示出优越的性能。

    Aug, 2023

  • 用于细粒度少样本分类的变分特征解缠方法

    本文研究了如何通过增大少样本学习中的类内方差，以提高图像的分类效果，通过变分推断的方式将类内方差分布从基本集合转移到新集合中。实验结果表明，在具有挑战性的细粒度少样本图像分类基准上，该方法在状态 - of-the-art 的方法上有明显提升。

    Oct, 2020

  • 少样本分类通用性预测的统计模型

    本文提出了一种基于高斯模型的特征分布参数估计方法，通过估计类间条件密度之间的距离实现对于少样本分类任务中泛化误差的预测，并在实验中表明该方法优于 leave-one-out cross-validation 等传统方法。

    Dec, 2022

  • 通过学习的特征转换实现跨域少样本分类

    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

  • TransMatch: 半监督少样本学习的迁移学习方案

    本文提出了一种新的半监督少样本学习的转移学习框架，用于充分利用标记基础分类数据和未标记新类数据的辅助信息，并基于该框架开发了一种称为 TransMatch 的新方法，通过 Imprinting 和 MixMatch 实例化三个组件，实验结果表明，该方法可以显著提高少样本学习任务的准确度。

    Dec, 2019

  • 少样本学习的本地传播

    本研究介绍了局部传播的方法，通过建立图来传播自身和标签，同时在少量数据情况下具有传导推断的能力，从而可以提高准确性。

    Jan, 2021

  • 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

  • 基于迁移学习的少样本分类：利用预处理过的骨干神经网络潜空间进行最优输运映射

    本研究介绍了在 MetaDL Challenge 2020 中排名第二的基于元学习的方法，在少量标注数据的情况下，通过修改隐空间中每个类别的分布来更好地对齐高斯分布，并利用期望最大化算法进一步对齐类别中心，使用 Sinkhorn 算法的最优传输映射。实验证明，该方法优于先前的研究以及使用 KNN 算法、高斯混合模型等其他算法的变体。

    Feb, 2021