学习联属性：针对少样本分类问题的中心化互惠学习

CVPRJun, 2021

学习联属性：针对少样本分类问题的中心化互惠学习

Learning to Affiliate: Mutual Centralized Learning for Few-shot Classification

Yang Liu, Weifeng Zhang, Chao Xiang, Tu Zheng, Deng Cai...

TL;DR该论文提出了一种新的方法 Mutual Centralized Learning （MCL），通过联合本地特征集进行双向范式密集表示，使用亲和力将本地特征关联为粒子，通过这些关联来测量类概率，为现有方法中的本地特征提供集中的支持，并在 miniImageNet 和 tieredImageNet 上实现了最新技术水平。

Abstract

few-shot learning (FSL) aims to learn a classifier that can be easily adapted to accommodate new tasks not seen during training, given only a few examples. To handle the limited-data problem in few-shot regimes, recent methods tend to collectively use a set of →

few-shot learning local features mutual centralized learning affiliation network state-of-the-art

发现论文，激发创造

显式引导的信息交互网络用于跨模态点云补全

该研究论文介绍了一种新颖的框架 EGIInet（Explicitly Guided Information Interaction Network），用于视图引导的点云完整性恢复（ViPC）任务，通过利用完成任务的几何特性，该框架有效地结合了两种信息模态，并使用显式的引导信息交互策略来实现更好的点云完整性恢复指导。

Jul, 2024

检索式上下文学习用于少样本层次文本分类

本研究提出了第一个以预训练语言模型为基础的在语境学习框架来从检索数据库中识别相关演示，并采用迭代策略处理多层次层级标签的少样本分类任务，通过不同目标实现对输入文本的层级分类，得到优越的实验结果，在少样本的层次分类任务中取得了最先进的成果。

Jun, 2024

医疗领域零样本和少样本人工智能算法综述

通过少样本学习、零样本学习和常规目标检测方法的比较研究，发现这些方法在数据集要求、泛化性能以及处理挑战方面取得了显著结果。此外，综述了最近三年的研究，介绍了少样本学习和零样本学习方法在解决挑战中的应用，并且指出了该领域中的进一步研究方向。

Jun, 2024

IntCoOp：可解释性感知的视觉 - 语言提示调优

通过引入属性级归纳偏差和类嵌入来提高图像 - 文本对齐分数的一种新颖的和可解释的提示调优方法。我们通过在 CLIP 上的广泛实验中评估 IntCoOp 来证明其有效性，并发现在 10 个不同领域的下游数据集上，引入属性级归纳偏差能够比现有的提示调优框架获得更好的性能，特别是在 16 张图片的情况下，IntCoOp 提高了 10 个不同数据集的平均表现 7.35%。

Jun, 2024

UNet 迷失之中：通过未被重视的局部特征提升红外小目标检测

通过引入 HintU 网络，利用目标位置的先验知识突出关键的局部特征，并改进传统的 UNet-based 结构以保留目标像素，从而提高红外小目标检测的性能。

Jun, 2024

NTIRE 2024 夜间摄影渲染挑战

本文综述了 NTIRE 2024 挑战赛的夜间摄影渲染。该挑战的目标是寻找处理夜间条件下拍摄的原始相机图像并在标准 RGB（sRGB）颜色空间中生成图像质量高的输出图像的解决方案。与去年的比赛不同，挑战图像是使用移动电话收集的，并且算法的速度也与其输出质量一起被测量。为了评估结果，足够数量的观众被要求评估所提出解决方案的视觉质量，考虑到任务的主观性。有两个提名：质量和效率。根据评估时间，对输出质量排名前 5 的解决方案进行了排序（见图 1）。排名靠前的参与者的解决方案有效地代表了夜间摄影渲染的最新技术水平。更多结果可在此 https 链接找到。

Jun, 2024

从 CLIP 中挖掘开放语义：一种关系转换视角的少样本学习方法

通过挖掘开放语义作为锚点，并采用转换器模块进行从图像 - 锚点关系到图像 - 目标关系的关系转换，我们的方法在少样本分类设置中表现出色。

Jun, 2024

社会合规导航的在线上下文学习

该研究介绍了一种在线环境学习方法，旨在使机器人适应新的社交环境，并采用深度增强学习和在线机器人学习方法来提高机器人社交导航性能。

Jun, 2024

恶劣天气条件下激光雷达点云的标签高效语义分割

该论文提出了一种标签效率的方法，通过使用少量已标记示例来学习从非常少量标记的点云中分割恶劣天气的点，并利用半监督学习方法生成伪标签，从而显著增加训练数据量，同时还在训练过程中整合了好的天气数据，从而在良好和恶劣天气条件下均能取得高性能。在真实和合成数据集上的结果显示，我们的方法在检测雪、雾和水雾方面表现良好。此外，我们在使用的标记数据只有一小部分的情况下，实现了与完全监督方法相竞争的性能。

Jun, 2024

自我监督和少样本学习在稳健生物气溶胶监测中的应用

实时生物气溶胶监测利用自监督学习和少样本学习，通过大量未标记数据和很少的样本来分类全息图像，从而优化监测工作流程并减少模型适应不同情况所需的努力。

Jun, 2024