CVPRJul, 2021

具有任务特定适配器的跨域少样本学习

PDF
TL;DR该论文提出了一种直接在少量支持集上学习任务特定权重的方法，通过使用残差连接和矩阵形式的参数适配器，能够显著提高最先进的 Meta-Dataset 基准模型的性能。
cross-domain few-shot classificationtask-specific weightsparametric adaptersresidual connectionsmeta-dataset
发现论文，激发创造
  • 通过对抗任务增强的跨领域少样本分类

    针对 few-shot 分类在训练和测试分布之间的域变化导致在测试上性能下降的问题，提出了通过任务增强来改善归纳偏置的鲁棒性，具体来说，采用对抗任务增强方法来生成具有挑战性的任务，可以提供简单的即插即用模块来提高元学习模型在跨域通用性中的性能。

    Apr, 2021

  • 多个领域的少样本分类通用表示学习

    本文介绍了通过适配器和居中核对齐等方法，利用多个分别训练的网络的知识来同时学习多个领域上通用的深度表示，通过距离学习方法来有效适应之前未见过的领域，并在 Meta-Dataset 基准测试中取得显著的性能提升。

    Mar, 2021

  • 跨领域少样本学习：自适应变换网络

    提出了一种自适应变压器网络 (ADAPTER) 作为跨领域少样本学习的简单而有效的解决方案，它建立在双向交叉注意力的思想上，学习两个领域之间的可转移特征，并通过 DINO 训练以避免监督崩溃问题。进一步提出了标签平滑方法来提高嵌入空间中近邻样本的预测一致性和可靠性。在 BSCD-FSL 基准测试中，ADAPTER 的性能得到了严格评估，表现优于以往的方法。

    Jan, 2024

  • 基于判别示例引导和参数高效的特征空间适应的跨领域少样本学习

    本文研究跨领域少样本分类，通过引入轻量级参数适配策略和方差感知损失函数来提高模型性能，在 Meta-Dataset 基准测试中，相较于现有方法，准确率分别提高了 7.7% 和 5.3%，且参数效率至少提高 3 倍，达到了新的国际水平。

    Mar, 2024

  • 调制适配器多领域学习

    本文提出使用 Modulation Adapters 进行卷积滤波器权重更新的方法，从而在多领域的图像分类任务中取得了比现有最先进方法更好或相当的效果。

    Jul, 2023

  • 调适先于比较：跨域少样本分割的新视角

    面对与训练领域不同的图像时，少样本分割性能大幅下降，这限制了其在现实世界的应用。本研究通过在传统的分类预训练骨干网络的特征金字塔中附加小型网络实现测试时任务自适应，避免过拟合到有监督微调中的少量标记样本，同时在不使用测试时的其他图像的限制下，在交叉领域少样本分割中取得了新的最先进性能，证明了在这个任务中重新思考方法的必要性。

    Feb, 2024

  • 跨域小样本学习的双自适应表示对齐

    本文提出了一种基于元学习的双自适应表示对齐方法，针对跨域小样本学习问题，在极少量样本的情况下，通过特征和分布的对齐，实现了更好的泛化能力及更高的成果。

    Jun, 2023

  • 使用残差适配器学习多个视觉领域

    该论文介绍了一种利用适配器残模块进行数据表示学习的深度网络架构，该网络能够被灵活地指引至不同的视觉领域中，实现了高度的参数共享并保持或提高了特定领域表示的准确性。同时，该论文还提出了 Visual Decathlon Challenge 基准评测系统，用于同时评估表征的能力并测量其识别不同领域的能力。

    May, 2017

  • 元对抗学习的跨域少样本学习

    本研究提出一种基于元学习和对抗训练的元领域适应框架，用于解决 few-shot 关系分类在跨领域场景中的问题，并在实验中验证了该模型的有效性。

    Feb, 2022

  • 自适应参数原型学习用于跨领域少样本分类

    开发了一种新颖的适应性参数原型学习（APPL）方法，应用于跨领域少样本分类任务，在元学习的框架下，通过对查询集进行基于原型的正则化来元学习模型，并采用加权移动平均自训练方法在目标领域进行传导式微调，实验证明 APPL 在多个跨领域少样本数据集上超越了许多最新技术的性能。

    Sep, 2023