Few-Shot 分类的空间对比学习
通过引入对比损失和学习算法,本研究提升了少样本分类任务中的细分子类别鉴别能力,实现了在嵌入空间中的潜在细粒度结构学习,并通过在标准小样本学习基准测试中的广泛试验验证了该方法的优越性。
Jul, 2021
本文提出了一种新的对比学习框架,将其无缝地整合到预训练阶段和元训练阶段,以提高少样本分类的性能,并使用交叉视图的情节训练机制进行最近的质心分类,并采用基于距离缩放的对比损失。
Sep, 2022
提出了一个名为 ContrastNet 的对比学习框架,来解决少样本文本分类问题中类间相似性引起的混淆和过拟合的问题。经实验证明该方法在 8 个少样本文本分类数据集上优于当前技术水平。
May, 2023
在有限的样本标注下,通过图像对目标对象进行少样本分类是一个任务。我们提出了一个一次性 / 少次分类模型,可以将任何未知类别的对象分类到一个相对通用的类别中,采用了基于层次对比损失的 ResNet152 分类器,基于图像嵌入所提取的特征对对象进行分类,而这些特征在训练阶段未被使用。我们在 ImageNet(ILSVRC-12)数据集的子集上进行了实验,该子集只包含用于训练我们的模型的动物类别,并创建了一组我们自己的未知类别数据集,用于评估我们训练得到的模型。我们的模型在将未知对象分类为通用类别方面得到了令人满意的结果,并对此进行了更详细的讨论。
Oct, 2023
通过引入生成器对比学习框架(GenCo)作为预训练方法,本文研究了在遥感和地球观测中基于少样本学习的分类和语义分割任务,并在农业视觉和 EuroSAT 两个重要遥感数据集上展示了优于纯监督训练的效果。
Jul, 2023
本文提出了一种名为 Simple CNAPS 的新型神经网络架构,采用 Mahalanobis 距离作为距离衡量标准并学习适应性特征提取器,从而在标准 few-shot 图像分类基准数据集上实现了 6.1% 的性能提升。
Dec, 2019
本文研究了如何使用预训练的语言模型进行少样本文本分类,提出了一种基于有限标注数据的监督对比学习和大量无标注数据的一致性约束方法,并且提出一种新的对比一致性来改善模型性能。在四个数据集上的实验证明,我们的模型 (FTCC) 可以胜过现有的最佳方法并且具有更好的鲁棒性。
Sep, 2022
本文提出了一种名为 COSMIC 的图形式的新颖对比元学习框架,并通过丰富内部类可泛化性和生成硬节点类来增强跨类可泛化性,从而使少数样本节点分类的性能得到提升。
Jun, 2023
该研究提出了一种基于段落的视频级对比学习方法,它使用全局上下文形成正样本,同时还结合了一个时间顺序正则化项来确保视频的时序结构,实验证明该方法在动作分类、动作定位和视频检索等任务上能够超越现有的最先进方法。
Aug, 2021