基于弹性权重合并的少样本图像生成
本文提出了一种框架,通过迭代优化和样式混合技术,生成与给定 one-shot 示例相同分布的人脸图像,可用于增强下游任务的训练数据,并在检测人脸操作方面表现出较高有效性,与其他少样本领域适应方法相比具有优越性。
Mar, 2020
提出了一种少样本领域自适应框架,通过受目标域的一个小支持集合监督的预训练源模型中的特征标准化统计的约束优化,可改善源模型的分类性能,实验证明该方法优于测试时适应方法,并且没有实时流条件的限制。
May, 2022
本论文提出了一种基于空间结构对少量数据进行对抗生成模型适配的方法,通过对源域和目标域的图像对进行跨域对齐,减轻目标生成模型过拟合和崩塌的问题,实验表明该方法在少样本学习中具有显著优势。
Mar, 2022
探讨了机器学习中的归纳迁移学习,比较了基于权重转移、深度度量学习和少样本学习三种方法的最新研究,提出了一种基于少量目标域数据微调基于源域数据的嵌入的混合适应嵌入方法,证明了它们在各种域和不同数量和类别的标记数据中的有效性。
May, 2018
我们提出了一种新的平滑相似正则化方法,将预训练的 GAN 的平滑性从结构上不同的领域转移到少样本目标域,解决了现有方法在结构不同的源域和目标域之间容易出现训练不稳定性和记忆问题的限制,实验证明我们的方法在结构上不同的源目标域的情况下,显著优于现有的少样本 GAN 适应方法,而在结构相似的源目标域方面与现有技术达到相同水平。
Aug, 2023
研究如何转移使用 GAN 训练的一个图像领域到一个新的领域,只需一个目标图像;通过使用属性适配器和属性分类器的轻量级模块,对生成器和鉴别器进行改进,从而提高合成质量和多样性,并在训练过程中约束生成领域的多样性,不仅在各种设置下带来了具有吸引力的结果,而且能够在几分钟内提供稳健的收敛。
Nov, 2021
本文提出了一种协同学习的框架,在不需要额外的标注数据的情况下实现多目标领域自适应。通过专家模型训练和权重规范化来得到单模型适用于多目标领域的结果,并且在多个任务上表现出了不俗的效果。
Jun, 2021
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
通过设计自适应语义一致性机制,提出了一种适应性的源领域知识转移框架(ASC),通过在源领域预训练中重用源图像并设计自适应的权重分配策略,实现了源领域知识向目标领域的显式转移,有效地减轻了跨领域 few-shot 分类中过拟合的问题。
Aug, 2023