Jun, 2020

Few-Shot 图像分类通用表示变换层

PDF
TL;DR该论文提出了一种称为 Universal Representation Transformer (URT) 的方法，对多域 few-shot 图像分类进行元学习，通过动态重新加权和组合最适合的域特定表示来实现 few-shot 分类，该方法在 Meta-Dataset 数据集上取得了最佳结果。
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

  • 无监督元学习用于少样本图像分类

    本文提出了一个名为 UMTRA 的算法，它在分类任务中执行无监督，模型无关的元学习，通过随机采样和增强来创建合成的训练任务，且只需要一定少量的标签。该算法在几项基准测试上表现优异。

    Nov, 2018

  • 多域表示下的几分类问题中有关特征的选择

    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

    Mar, 2020

  • 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

  • CrossTransformers: 空间感知的少样本迁移

    本文研究了现代视觉系统的表现下降原因：监督学习时神经网络模型表示出现了监督崩溃现象，即模型丢失了一些与训练任务无关但对多任务或多领域转移有用的信息。作者提出了两种方法来缓解该问题：一是利用自监视学习以鼓励更通用的特征，二是提出了一种新型的基于 Transformer 的神经网络结构 CrossTransformers，可以用少量标记图像和无标记查询项，找到查询项与标记图像之间的粗略空间对应关系，从而通过计算空间对应特征之间的距离来推断其分类。结果是得到一个更加适应任务和领域转移的分类器，证明了在 Meta-Dataset 上的最新成果。

    Jul, 2020

  • 跨域少样本图分类

    本文提出了一种用于跨领域的小样本图分类问题的基于注意力机制的图编码器，使用三个具有相同结构但不同功能的图像来学习任务特定的信息表示以达到快速适应的目的，实验结果表明，该编码器结合度量学习元学习框架时，可以在所有基准测试中实现最佳的平均元测试分类准确性。

    Jan, 2022

  • 学习少样本数据泛化的通用模板

    本文提出了一种少样本数据集泛化的方法，建立了一种通用模板，可以插入适当的组件定义各种数据集特化模型，通过梯度下降逐步微调自适应模型的参数初始化，相比之前的方法，该方法更具参数效率、可扩展性和适应性，在富有挑战性的 Meta-Dataset 基准测试上实现了最佳效果。

    May, 2021

  • 发掘局部表征的威力用于少样本分类

    利用局部表示在改进新类别通用性方面发挥了作用，我们设计了一个新的预训练范式，通过软标签学习随机裁剪的补丁，并且我们提出了一种度量方法来处理由同质元素组成的集合，我们的方法在三个常用基准测试中取得了最新的最佳性能。

    Jul, 2024

  • 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

  • 通过对抗任务增强的跨领域少样本分类

    针对 few-shot 分类在训练和测试分布之间的域变化导致在测试上性能下降的问题，提出了通过任务增强来改善归纳偏置的鲁棒性，具体来说，采用对抗任务增强方法来生成具有挑战性的任务，可以提供简单的即插即用模块来提高元学习模型在跨域通用性中的性能。

    Apr, 2021