Few-Shot Learning 领域中深度学习框架概述
深度学习在医学图像处理领域的应用受到数据不足的限制,因此研究者们开发出了一种称为 “Few-shot learning” 的模型,通过分类和分割方法来从小规模数据集中提取特征以解决数据不足的问题。本文综述了 Few-shot learning 的背景和基本概述,介绍了医学图像分析中的方法学策略比较,描述了 Few-shot learning 在医学图像处理应用的最新进展,并展望了其未来的应用前景。
May, 2023
通过少样本学习、零样本学习和常规目标检测方法的比较研究,发现这些方法在数据集要求、泛化性能以及处理挑战方面取得了显著结果。此外,综述了最近三年的研究,介绍了少样本学习和零样本学习方法在解决挑战中的应用,并且指出了该领域中的进一步研究方向。
Jun, 2024
本文提出了一种简单的方法,其几乎没有超参数或参数,并达到或甚至超过领域多个标准基准测试的性能,提供了一个新的基准,可以提出(并公平比较)新技术或改进现有方法。
Jan, 2022
这篇论文介绍了几种代表性的 few-shot 分类算法的一致性比较分析,包括修改的基准线方法,新的评估设置等,并揭示了在 backbones 网络较深时,减少类内变异是一个重要的因素,但与使用较浅的 backbones 网络时不太重要的结论。在现实的跨域评估设置中,我们展示了一种标准的微调实践的基准方法与其他最先进的 few-shot 学习算法相比的优越性。
Apr, 2019
深度学习在数据资源和计算资源需求上的局限性使得其在许多数据受限的实际应用中不实用,而 Few-Shot Learning(FSL)旨在通过使其能够快速适应新学习任务来解决这些限制,并在最近几年取得了显著的增长。本综述提供了对该领域最新进展的全面概述,包括 FSL 的定义、与不同学习领域的关系、引入的新分类法以及经典和新领域中的实际应用。在最后,讨论了塑造该领域的最近趋势、突出挑战和有前景的未来研究方向。
Feb, 2024
为了解决深度学习中少样本学习的挑战,我们提出了一个简单而有效的框架,专门设计用于利用文本信息和语言模型,通过学习可调的提示来显式地利用预训练的语言模型的零样本能力,并且直接将视觉特征和文本特征进行推断而无需复杂设计的融合模块,进一步运用自集成和蒸馏来增强这些组件,在四个广泛使用的少样本数据集上进行了大量实验证明我们的简单框架取得了令人印象深刻的结果,特别值得注意的是,在 1-shot 学习任务中,我们的分类准确率平均超过基准方法 3.0%。
Jan, 2024
本研究综述了少样本物体检测的现有成果及未来展望,提出了基于数据的训练分类法和相应监督的形式,并对其定义、主要挑战、基准数据集、评估指标和学习策略进行了详细调查,最后总结了少样本目标检测的现状以及未来的研究方向。
Oct, 2021
基于系统回顾,本文阐述了少样本学习在医学影像识别中的广泛应用,特别是基于元学习的方法,该方法可以克服数据稀缺问题,适应少标注样本,并且常用的技术是监督学习和半监督学习,主要应用领域集中在心脏、肺和腹部等部位。
Sep, 2023
该研究证明,在 mini-ImageNet 数据集中,fine-tuning 方法在 1-shot 任务中比常见的 few-shot learning 算法具有更高的准确性,在 5-shot 任务中准确率几乎与最先进的算法相同,同时展示了在高分辨率单领域和跨领域任务中,该方法比常见 few-shot learning 算法具有更高的准确性。
Oct, 2019
提出一种基于信息检索的方法来解决 few-shot 学习问题,通过同时优化每个训练批次中所有相对排序以提取尽可能多的信息, 在结构化预测的框架内定义模型来优化平均精度,从而实现在标准 few-shot 分类基准测试上取得令人印象深刻的结果,并具有 few-shot 检索的能力。
Jul, 2017