特征图重构网络在小样本分类中的应用
本文针对细粒度少样本图像分类问题提出了一个双重重构机制,使用支持集重构查询集以增加类间变异性,使用查询集重构支持集以降低类内变异性,并构建自重构模块,实验结果表明相比其他方法,提出的模型在三个广泛使用的细粒度图像分类数据集上都取得了显著的改进。
Nov, 2022
提出了一种针对下游的 few-shot 分类任务的自适应无监督嵌入方法,其中采用了特征重构、维度驱动的早期停止等创新策略来实现通用化特征的提取,与传统方法相比在所有标准设置下都显著提高了准确性,与传统方法结合使用可以进一步在 mini-ImageNet、tiered-ImageNet 和 CUB 等数据集上取得最先进的性能。
Jun, 2021
我们的研究聚焦于少样本细粒度图像分类,主要面临两个挑战:细粒度对象的外观相似性和样本数量有限。为了保留图像的外观细节,传统的特征重建网络通常通过空间特征重建和最小化重建误差来增强关键特征的表示能力。然而,我们发现在限制样本情景下,仅依赖于单一类型的特征不能准确捕捉细粒度对象的跨类别差异。相反,引入通道特征提供了额外的信息维度,有助于更好地理解和区分细粒度对象之间的跨类别差异。因此,在本文中,我们设计了一个新的混合特征协同重建网络(HFCR-Net)用于少样本细粒度图像分类,其中包括混合特征融合过程(HFFP)和混合特征重建过程(HFRP)。在 HFRP 中,我们融合通道特征和空间特征。通过动态权重调整,我们汇总任意两个位置之间的空间依赖性和每个图像不同通道之间的相关性,以增加跨类别差异。此外,我们在 HFRP 中引入了通道维度的重建。通过通道维度和空间维度的协同重建,在支持集到查询集的重建过程中进一步增加了跨类别差异,同时在查询集到支持集的重建过程中减小了类内差异。最终,我们在三个广泛使用的细粒度数据集上进行了大量实验证明了我们方法的有效性和优越性。
Jul, 2024
本文提出了三种针对三维重建少样本的方法,并将类先验有效地整合到模型中,以便考虑类内变异性和强制实施隐式组合结构,从而在少样本场景中显著优于现有基线模型,实验在 ShapeNet 数据集上。
Apr, 2020
本论文提出了多层神经网络结构来实现少样本图像识别任务,其中包括特征提取和分类两个阶段,采用 Mahalanobis 距离计算平均类别特征和测试样本的距离,并通过学习映射将样本原型映射到对应类别的原型上,该网络在四个标准的少样本图像识别数据集上表现出优越的性能。
Dec, 2019
本研究提出回归网络,用于解决少样本分类问题。该方法通过在类子空间中回归最近的近似点实现分类,使用回归误差作为距离度量,并将元学习引入到嵌入空间中。使用此简单归纳偏差的回归网络方法在有限数据情况下表现出色,特别是在能够用多个样本形成聚合类表示时。
May, 2019
本文提出了一种基于深度卷积神经网络的少样本目标检测方法,通过元特征学习与重新加权模块,快速适应新的物体分类。实验证明该模型在多个数据集和设置上均能显著优于现有少样本检测模型。
Dec, 2018
通过将输入样本分割成补丁,并借助 Vision Transformers 对其进行编码,从而在图像的局部区域之间建立语义对应关系,而不受其各自类别的影响。利用掩蔽图像建模等方法进行无监督训练,以克服标签不够精细以及避免负面的图像级注释影响,实现了对数据的更一般的统计结构的学习,并在四个流行的 Few-shot 分类基准测试中,对于 5-shot 和 1-shot 情形均取得了新的最优结果。
Jun, 2022
本文主要研究了基于简单特征变换的最近邻分类器在 few-shot 学习上的精度,并发现在 miniImageNet 数据集中,使用平均值减法和 L2 归一化的最近邻分类器在三个设置上优于之前的结果。
Nov, 2019