原型中心的关注学习在少样本动作识别中的应用

Jan, 2021

原型中心的关注学习在少样本动作识别中的应用

Few-shot Action Recognition with Prototype-centered Attentive Learning

Xiatian Zhu, Antoine Toisoul, Juan-Manuel Perez-Rua, Li Zhang, Brais Martinez...

TL;DR本文提出了一种原型中心的注意力学习模型（PAL），通过引入原型中心对比学习损失和混合的注意力学习机制，PAL 模型能够有效地提高在少样本情况下的行为识别准确度，具有优异的性能表现。

Abstract

few-shot action recognition aims to recognize action classes with few training samples. Most existing methods adopt a meta-learning approach with episodic training. In each episode, the few samples in a meta-trai

few-shot action recognition meta-learning prototype-centered contrastive learning attentive learning fine-grained action recognition

发现论文，激发创造

自适应注意力的小样本分类

本文提出一种新的 few-shot 学习方法，通过优化和快速适应查询样本的表示来改进 few-shot 分类，所提出的自适应注意力模型还能够解释分类模型所寻找的证据。在各种基准 few-shot 分类和精细识别数据集上，实验证明了所提出模型的分类结果达到了最先进水平。

Aug, 2020

通过关注每个样本原型来实现小样本物体检测

本论文提出了一个基于元学习的方法用于 few-shot 目标检测，通过使用两种类型的注意机制对查询和支持特征图进行聚合以提高性能并最大化支持数据的多样性。

Sep, 2021

配合伙伴学习的少样本图像分类

本文提出了一种两阶段的训练策略 Partner-Assisted Learning（PAL）用于 Few-shot Learning，通过训练伙伴编码器和主编码器来获得基本表示，并设计对数输出和特征级别的对齐约束，从而在几个基准测试中一致优于最先进的方法。

Sep, 2021

基于复合样本原型匹配的小样本动作识别

本论文提出了一种新颖的方法，将视频汇总为由一组全局原型和一组聚焦原型组成的复合原型，并基于原型进行视频相似性比较，进而用于小样本动作识别，实验结果显示该方法在多个基准测试上达到了最先进的成果。

Jul, 2022

基于隐式时间对齐和成对相似度优化的小样本动作识别

本研究提出了一种基于 LSTM 的 few-shot 动作识别框架，采用了特定的评估设置，隐式序列对齐算法以及新的优化方法，通过在少量数据上最大化同类样本的相似性并最小化不同类之间的相似性来实现 few-shot 动作识别。实验表明，该方法在两个数据集上均取得了较好的效果。

Oct, 2020

增强式关注机制用于小样本学习及其扩展

本文提出了一种利用加强学习技术对注意力机制调整的方法来生成更优选择的图像嵌入向量，从而有效提高几类学习和图像分类的性能。

Apr, 2021

领域特定先验和元学习用于少样本第一人称动作识别

本文旨在提出一种基于元学习的有效的实现少样本迁移学习的方法，该方法使用局部视觉线索学习表示，以在具有不同场景和动作配置的公共数据集之间进行行为分类模型的迁移。结果表明，该方法在跨类别和跨数据集转移方面效果优于现有的行为分类方法。

Jul, 2019

基于度量的视频动作识别小样本学习

本研究介绍了针对少样本学习的视频动作识别任务，采用双流模型和三种常见的基于度量的算法，通过一组卷积和递归神经网络视频编码器进行训练和评估，证实了双流设置的重要性，并发现原型网络和池化长短期记忆网络嵌入为少样本方法和视频编码器提供了最佳性能。在 Kinetics 600 数据集上进行的 5-shot、5-way 任务中，该设置在测试集上获得了 84.2% 的准确度，而在混淆度较高的 “挑战” 测试集上获得了 59.4% 的准确度。

Sep, 2019

统一几个与零个拍摄的自我中心动作识别

本文通过将 few-shot generalization 和 zero-shot generalization 相结合，并在传统的直接对齐基线上添加度量学习损失，探索了面向 open-set 分类的通用化方法，并在基于 EPIC-KITCHENS 数据集的新分裂的基础上进行了评估，结果表明这种方法可以提高零样本分类的准确性高达 10％，同时不损失 few-shot 性能。

May, 2020

ProtoGAN：面向行为识别的少样本学习

本文提出了一个新的 ProtoGAN 框架来合成额外的样例，以便在少样本学习 (FSL) 背景下的新动作识别和通用 FSL (G-FSL) 的环境下对已知和新的动作类别进行识别，并在 UCF101、HMDB51 和 Olympic-Sports 数据集上进行了大量实验以支持我们的结果。我们通过使用一个类原型传输网络（CPTN）从已知类别的示例中学习类原型向量来生成新的样例，并成功地展示了模型在识别新类别方面的更好表现。

Sep, 2019