无元学习的小样本分割：良好的瞬态推理是否足以胜任？

CVPRDec, 2020

无元学习的小样本分割：良好的瞬态推理是否足以胜任？

Few-Shot Segmentation Without Meta-Learning: A Good Transductive Inference Is All You Need?

Malik Boudiaf, Hoel Kervadec, Ziko Imtiaz Masud, Pablo Piantanida, Ismail Ben Ayed...

TL;DR本文研究了在执行几次分割任务中进行推理的方式对性能产生了重要影响，并介绍了一种对查询图像进行转导推理的方法，通过优化包含交叉熵、Shannon 熵和 KL 散度规则的新损失函数，实现了具有竞争力的性能，尤其适用于 1-shot 场景以及基于不同数据集的领域偏移。

Abstract

We show that the way inference is performed in few-shot segmentation tasks has a substantial effect on performances -- an aspect often overlooked in the literature in favor of the meta-learning paradigm. We introduce a transductive inference for a given query image, leveraging the stat

few-shot segmentation transductive inference shannon entropy kl-divergence regularizer domain shifts

发现论文，激发创造

传导式少样本学习的现实评估

该研究探讨了在 few-shot 任务的查询集中引入任意类别分布（即类别不平衡）的影响，进一步提出一种基于 α-divergence 的损失函数，有效地处理了类分布变化，大幅提高了性能。

Apr, 2022

基于传递的零样本和小样本 CLIP

这篇论文研究了在 CLIP 等视觉语言模型的快速发展文献中被完全忽视的跨导式零样本和少样本 CLIP 分类挑战，其中推断是在一批未标记的查询样本上进行的，而不是独立处理每个实例。通过构建信息性的视觉文本概率特征，本文提出了一个基于最小化问题的分类优化目标，使用 Dirichlet 分布来建模每个类的数据概率分布。我们采用一种新颖的块主导次优化算法来解决这个最小化问题，该算法同时估计分布参数和类别分配。对 11 个数据集进行的大量数值实验证明了我们批处理推断方法的益处和功效。在测试批次包含 75 个样本的零样本任务中，我们的方法在 ImageNet 准确性方面相对于 CLIP 的零样本性能提高了近 20%。此外，在少样本设置中，我们超过了现有的最先进方法。代码可在此链接获得：this https URL

Apr, 2024

拉普拉斯正则化少样本学习

本文提出了一种基于拉普拉斯正则化的推导式推理方法，用于 few-shot 任务中的图聚类，以支持来自支持集的监督性约束。实验结果表明，在五个 few-shot 学习基准测试中，LaplacianShot 方法具有显著优于现有方法的性能表现。

Jun, 2020

利用无标签示例增强少样本图像分类

我们提出了一种用于少样本图像分类的传导元学习方法，结合了经过正则化的马氏距离软 k-means 聚类过程和修改后的最先进的神经自适应特征提取器来使用未标记数据提高测试时间分类准确性，我们在 Meta-Dataset、mini-ImageNet 和 tiered-ImageNet 基准测试上取得了最先进的性能。

Jun, 2020

一种可微元学习模型用于少样本语义分割

该研究提出了一种基于元学习的新框架 MetaSegNet，通过全局和局部特征分支，在元学习中提取少样本语义分割的适当元知识，并将线性模型集成到 MetaSegNet 中，以实现一次性精确地多目标分割。实验结果表明，该方法在 K 路少样本语义分割任务中表现出良好的效果。

Nov, 2019

元学习在小样本学习中的置信度

论文提出了一种用于 few-shot 学习中元学习置信度和距离度量的方法，以提高模型在未见任务上的传导推理性能，并在四个基准数据集上获得了最新的最优结果。

Feb, 2020

少样本图像分类的基准线

这篇研究论文旨在通过优化跨熵损失训练深度网络，提出一种基准模型来解决 few-shot 学习问题，并通过使用更多的元训练类来提高准确性，同时提出衡量 few-shot 任务难度的度量标准。

Sep, 2019

从未标注的图像中发现部件并进行数据增强的小样本学习

本文介绍了一种基于元学习的方法，通过学习无标签图像的传递特征来进行 few-shot 学习，同时采用了基于部分的自监督表示学习和部分增强策略来缓解数据稀缺引起的过度拟合问题，并在 miniImageNet 和 tieredImageNet 的基准测试中表现出优异的性能。

May, 2021

基于 API 嵌入模型的文本少样本分类的传导学习

该论文介绍了使用专有和封闭的 API 来处理自然语言的普遍性和影响，重点讨论了少样本分类和转导推断在自然语言处理中的应用和优势。

Oct, 2023

暗中开火：无基准类标签的小样本学习

通过实验，本研究发现自监督学习在小类别图像识别中的迁移性、鲁棒性、效率及可补充性都超过了传统的少样本学习方法，并以 3.9% 的准确度优势取得了成功，因此需要更深入地研究自监督学习在少样本学习中的作用。

Oct, 2020