基于混合特征空间学习的少样本图像分类

Nov, 2020

基于混合特征空间学习的少样本图像分类

Mixture-based Feature Space Learning for Few-shot Image Classification

Arman Afrasiyabi, Jean-François Lalonde, Christian Gagné

TL;DR该研究提出了一种混合模型特征空间学习方法，即在网络训练过程中以在线形式同时训练特征提取器和混合模型参数，以实现富有、强健的特征表示，并通过实验证明了该方法的有效性及其在少样本学习领域的优越表现。

Abstract

We introduce Mixture-based Feature Space Learning (MixtFSL) for obtaining a rich and robust feature representation in the context of few-shot image classification. Previous works have proposed to model each base class either with a single point or with a mixture model by relying on off

few-shot learning mixture model feature extraction image classification neural network

发现论文，激发创造

多方位原型的少样本图像分类

本文提出了一种基于 facets 的自适应相似性度量方法，该方法可以被用于改进现有的基于度量的 few-shot learning 模型，并在 miniImageNet 和 CUB 数据集上实现了 state-of-the-art 的表现。

Feb, 2021

视觉 - 语义对比对齐在小样本图像分类中的应用

本文介绍了一种对称的对齐机制，用于学习从极少的例子中获取更广义的视觉概念的方法。实验结果表明，该方法是通用的，并提供了一个强大的基准。

Oct, 2022

有效的几类点云分类任务需要什么？

该研究对最近在机器学习领域受到欢迎的少样本学习在三维感知上的应用进行了深入系统研究，提出了一种新的组件 Cross-Instance Adaptation（CIA） module，将其插入到当前基线模型中可显著提高表现，并在两个新的基准数据集上证明了该模型的优越性。

Mar, 2023

全局类别表示的小样本学习

本篇论文提出一种使用基类和新类训练样本学习全局类别表示来解决少样本学习问题的方法，该方法在训练过程中涉及到新类训练样本，并且采用了有效的样本综合策略避免过拟合，同时能够轻松扩展到更具挑战性的 FSL 场景。

Aug, 2019

生成少样本分类的代表性样本

基于条件变分自编码器模型，使用语义嵌入生成视觉样本，通过训练生成具有代表性的样本来改善数据稀缺性问题，提升 few-shot 分类效果，实验结果表明我们提出的方法在 1-shot 和 5-shot 设置下在 miniImageNet 和 tieredImageNet 数据集上实现了最先进的性能。

May, 2022

MHFC: 多头特征协作用于少样本学习

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

TAFSSL: 任务自适应特征子空间学习，用于小样本分类

本文提出了一种名为 “任务自适应特征子空间学习” 的简单技术，可以显著提高少样本学习方案的性能，特别是当一些额外的未标记数据附带用于新的少样本任务时，而且它可以将在半监督 FSL 设置中更多地受益于使用未标记数据到超过 10% 的性能提高。

Mar, 2020

少样本全生命周期学习

本文提出了一种新的少样本生命周期学习方法，通过仅训练模型的部分参数来防止过拟合，同时最大程度上减少了灾难性遗忘，并通过减小新旧类别原型之间的余弦相似度以最大化它们的分离来提高分类性能，同时还证明了结合自我监督的方法可以显著提高模型性能。

Mar, 2021

无需训练的原型校准的少样本类增量学习

在 Few-Shot Class-Incremental Learning (FSCIL) 场景中，我们发现现有方法倾向于将新类别的样本错误地分类为基类别，导致新类别的性能表现较差。为了解决这一问题，我们提出了一种简单而有效的训练无关的校准策略（TEEN），通过将新类别的原型与加权基类别的原型相融合，以增强新类别的可区分性。在 FSCIL 标准基准测试中，TEEN 显示出出色的性能并在 few-shot learning 场景中持续改进。

Dec, 2023

针对小样本类增量学习的平衡监督对比学习

本文提出了一种简单有效的学习方案，来解决 few-shot class-incremental learning 中平衡新任务的欠拟合和遗忘之前任务的挑战，并在 CUB200、CIFAR100 和 miniImagenet 数据集上展现了领先的性能。

May, 2023