自适应注意力的小样本分类

Aug, 2020

Few-shot Classification via Adaptive Attention

Zihang Jiang, Bingyi Kang, Kuangqi Zhou, Jiashi Feng

TL;DR本文提出一种新的 few-shot 学习方法，通过优化和快速适应查询样本的表示来改进 few-shot 分类，所提出的自适应注意力模型还能够解释分类模型所寻找的证据。在各种基准 few-shot 分类和精细识别数据集上，实验证明了所提出模型的分类结果达到了最先进水平。

Abstract

Training a neural network model that can quickly adapt to a new task is highly desirable yet challenging for few-shot learning problems. Recent f

发现论文，激发创造

本文提出了一种利用加强学习技术对注意力机制调整的方法来生成更优选择的图像嵌入向量，从而有效提高几类学习和图像分类的性能。

Apr, 2021

本论文提出了一个基于元学习的方法用于 few-shot 目标检测，通过使用两种类型的注意机制对查询和支持特征图进行聚合以提高性能并最大化支持数据的多样性。

Sep, 2021

本研究提出一种基于自注意力机制的特征重加权策略，实现在给定极少标注样本情况下进行元学习，大幅优于同类现有方法 3%~5%。

Mar, 2022

本研究旨在开发 Adversarial Querying 算法以生成对小样本图像分类具有鲁棒性的元学习器，并比较其与迁移学习方式的性能表现，结果表明在 Mini-ImageNet 和 CIFAR-FS 等图像分类任务上，该方法具有远优于传统迁移学习方法的鲁棒表现。

Oct, 2019

本研究提出新的元学习方法，以注意机制和先验知识为主要组成，帮助元学习器更好地理解输入数据并集中于重点特征，在解决少样本学习和一些任务过度拟合问题方面表现优异。

Dec, 2018

本文提出了一种基于元学习的注意力吸引网络模型，用于在已有基础类别数据的情况下，通过少量有标注的样本学习新的类别，从而提高模型对于新类别和旧类别的分类性能，超越其他相关算法。

Oct, 2018

该论文介绍了元学习在深度学习中的应用及其近期发展，涵盖度量、记忆、基于学习等方法，并探讨了当前的挑战和未来的研究方向。

Mar, 2023

本文提出了一种原型中心的注意力学习模型（PAL），通过引入原型中心对比学习损失和混合的注意力学习机制，PAL 模型能够有效地提高在少样本情况下的行为识别准确度，具有优异的性能表现。

Jan, 2021

该研究提出了一种易 - 难专家元训练策略和任务难度感知模块，用于优化元学习方法，使其在少样本分类任务上表现更好。该策略优先进行易任务的训练，再进行难任务的强化。实验结果显示，该方法在 miniImageNet 和 tieredImageNetSketch 数据集上可以获得更好的结果。

Jul, 2020

这篇论文提出了一种基于类对潜力的贪心采样方法，以改善元学习中的少样本分类问题的普适性表现。

Jul, 2020