Mar, 2021

DMN4: 利用判别式相互最近邻神经网络进行少样本学习

PDF
TL;DR本文提出了一种用于 Few-shot learning 的 DMN4 模型，采用相互最近邻关系显式地选择与任务最相关的查询描述符并丢弃不相关的聚合噪声，通过广泛的实验验证，DMN4 模型在精细分类和广义数据集上均优于现有技术。
发现论文，激发创造
  • 重新审视基于局部描述符的图像到类别度量在小样本学习中的应用

    本文介绍了一种以本地描述符为基础的图像分类方案，用于完成少样本学习任务，并证明了该方案具有更高的效率和准确性，实验结果表明，在基准数据集上，本方案相对于其他先进算法的绝对优势高达 17%。

    Mar, 2019

  • 为 Few-shot Learning 学习更具鉴别性的本地描述符

    本文介绍针对图像分类的 Few-shot 学习领域中的 Discriminative Local Descriptors Attention (DLDA) 模型，并基于传统的 k-NN 分类模型进行改进，通过对 4 个基准数据集的实验，表明该方法在 Few-shot 学习中取得了更高的精度并对 k 的选择更加鲁棒。

    May, 2023

  • 少样本学习的混合图神经网络

    本研究提出了一种新颖的混合 GNN（HGNN）模型，该模型由实例 GNN 和原型 GNN 组成，用于快速适应元学习特征嵌入到新任务中，在三个 FSL 基准测试中获得了新的最新成果。

    Dec, 2021

  • SimpleShot: 重新审视最近邻分类在少样本学习中的应用

    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

  • AdarGCN: 自适应聚合 GCN 用于少样本学习

    提出了一种称为少样本少样本学习（Few-Shot Few-Shot Learning，FSFSL）的新型低数据训练设置，应用图卷积网络（GCN）和适应性聚合机制来解决原始和网络图像的有噪声和不相关图片的问题，以用于小样本学习任务。

    Feb, 2020

  • 领域自适应少样本学习

    本文提出一种新的面向领域自适应少样本学习（DA-FSL）的解决方案，即基于领域对抗性原型网络（DAPN），该模型通过显式增强源 / 目标每类别的区分性在域自适应特征嵌入学习之前，以实现全局领域分布对齐，同时保持源 / 目标每类别的差异性从而提高 FSL 的性能。实验表明，DAPN 模型优于现有的 FSL 和 DA 模型及其简单组合。

    Mar, 2020

  • MHFC: 多头特征协作用于少样本学习

    针对 Few-shot Learning 中存在的数据稀缺问题和特征提取模型的多样性，本文提出了一种名为 MHFC 的算法来解决分布偏移问题，该算法采用子空间学习的方法将多头特征进行融合，并设计了一个注意力模块自动更新 feature 权重，从而获得更具有鉴别性的特征。在五个基准数据集上进行验证，与现有技术相比，实验结果取得了 2.1％-7.8％的显着提升。

    Sep, 2021

  • 多方位原型的少样本图像分类

    本文提出了一种基于 facets 的自适应相似性度量方法，该方法可以被用于改进现有的基于度量的 few-shot learning 模型，并在 miniImageNet 和 CUB 数据集上实现了 state-of-the-art 的表现。

    Feb, 2021

  • 基于混合特征空间学习的少样本图像分类

    该研究提出了一种混合模型特征空间学习方法，即在网络训练过程中以在线形式同时训练特征提取器和混合模型参数，以实现富有、强健的特征表示，并通过实验证明了该方法的有效性及其在少样本学习领域的优越表现。

    Nov, 2020

  • 元滤波器学习动态对齐以用于少样本学习

    本文提出了一种基于动态对齐的特征调整方法，从视觉识别的角度解决了 few-shot learning 的问题，采用神经常微分方程技术，使模型能更好地捕捉少量样本的微粒子级别的语义上下文，大幅提高了在 miniImageNet 和 tieredImageNet 数据集上的识别准确率。

    Mar, 2021