幻象改善少样本物体检测
本文提出了一个复杂图像的低 - shot 学习基准模型,并以此为基础,提出一种注重表示规范化技术和为数据稀少的类别提供虚拟训练数据的技术,客观比较了不同方法在低 - shot 学习中的表现,并成功将 ImageNet 数据集中基于 novel classes 的 one-shot 准确率提高了 2.3 倍。
Jun, 2016
本文讨论了人类如何在视觉上快速学习新概念,并探讨如何将这种能力应用于机器视觉系统中的低样本学习中,提出了一种基于元学习的新方法,其中包括一个 “幻视器”,用于生成新的训练样本,显著提高了分类准确性。
Jan, 2018
该研究提出了一种新的适用于 few-shot classification 的方法,使用伪标签技术结合蒸馏损失和标准交叉熵损失来解决小数据集的问题,并取得了比现有的算法更好的效果。
Dec, 2021
通过利用语义关系引导双视图数据幻影,为小样本图像识别提供更多样化和合理化的新数据样本,该框架能通过从基础类别中进行有效的信息传递生成新颖类别的样本。其中,实例视图数据幻影模块利用基础类别的局部语义相关注意力和全局语义特征融合生成新颖类别的每个样本;原型视图数据幻影模块利用语义感知度量来估计新颖类别的原型和相关分布,从而实现对大量样本的重新采样,提高样本的稳定性。通过在几个常用的小样本数据集上与最先进的方法进行了广泛的实验和比较,验证了该框架的有效性。
Jan, 2024
通过生成附加的正样本进一步扩大对比,我们提出了可高效生成数据的 Hallucinator,它是可微分的,并且在特征空间内创建新数据,从而实现与预训练任务的直接优化,减少幻觉对的互信息并通过非线性操作对其进行平滑处理,以避免过度自信的对比学习模型,并实现更多的变换不变特征嵌入。实验证明,所提出的 Hallucinator 在各种对比学习模型中都具有很好的泛化性能,包括 MoCoV1&V2,SimCLR 和 SimSiam,其在 CIFAR10&100,小图像集,STL-10 和 ImageNet 上实现了 0.3%至 3.0%的稳定准确率提升,在目标检测和分割等下游任务中也观察到了改进。
Jul, 2023
本研究通过在罕见物品识别任务中只微调现有检测器的最后一层实现了高精度的 few-shot 目标检测方法,相较于 meta-learning 的方法,在当前基准测试中精度提升了 2~20 点,甚至有时可以将先前方法的精度提高一倍。
Mar, 2020
介绍 M-HalDetect,一个用于训练和评估幻觉检测和预防模型的多模态幻觉检测数据集。使用 Fine-grained Direct Preference Optimization 和拒绝抽样方法,成功减少了幻觉率,为视觉问题回答任务提供了重要的改进。
Aug, 2023
该论文研究了一种名为 “few-example object detection” 的目标检测方法,使用了大量未标记图像和每类仅少量标记图像,并提出了基于模型训练和高置信度样本选择的策略来生成高信度的训练样本;通过嵌入多个检测模型来进一步提高样本的精度和召回率,并在实验中证明了其与使用大量图像级别标签的最先进弱监督方法相比,使用每类仅 3-4 个样本可获得非常有竞争力的结果。
Jun, 2017