Jul, 2021

纠正少样本学习中背景快捷学习的方法

PDF
TL;DR本文首次将现实图像中常见的背景纳入研究范畴，提出了一种名为 COSOC 的无监督前景对象提取模型，在缩小训练和测试之间的差距，提高 Few-Shot Learning 任务的性能方面发挥了显著作用。
few-shot learningimage backgroundcosocinductive fsl tasksforeground objects
发现论文，激发创造
  • 干预式少样本学习

    通过构建因果模型，提出了一种新的干预式 Few-Shot 学习范式，与现有的 Fine-tuning 和 Meta-learning 等方法正交，可以显著提高它们的性能，在多个数据集上均取得新的 1-/5-shot 最新成果。

    Sep, 2020

  • 视觉 - 语义对比对齐在小样本图像分类中的应用

    本文介绍了一种对称的对齐机制，用于学习从极少的例子中获取更广义的视觉概念的方法。实验结果表明，该方法是通用的，并提供了一个强大的基准。

    Oct, 2022

  • LSFSL: 利用形状信息进行少样本学习

    LSFSL improves the generalizability and robustness of few-shot learning models by incorporating relevant priors and addressing shortcut learning in deep neural networks.

    Apr, 2023

  • 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

  • Few-shot 分类的深入探究

    这篇论文介绍了几种代表性的 few-shot 分类算法的一致性比较分析，包括修改的基准线方法，新的评估设置等，并揭示了在 backbones 网络较深时，减少类内变异是一个重要的因素，但与使用较浅的 backbones 网络时不太重要的结论。在现实的跨域评估设置中，我们展示了一种标准的微调实践的基准方法与其他最先进的 few-shot 学习算法相比的优越性。

    Apr, 2019

  • 从少数样本中推广：关于小样本学习的调查

    本文在对 Few-Shot Learning 进行了深入的调研的基础上，选择使用三种视角：数据，模型，和算法来对 FSL 的方法进行分类，以提供未来研究的启示。

    Apr, 2019

  • 受限 Few-Shot 学习：类人低样本复杂度学习和非情节文本分类

    本文提出了一种新的任务：约束的少样本学习（CFSL），介绍了一种基于 Cat2Vec 的 CFSL 方法，该方法使用类别对比损失，并受到模糊痕迹理论和原型理论等认知理论的启发。

    Aug, 2022

  • Few-Shot 分类的空间对比学习

    本文探讨使用反差学习作为辅助训练目标来促进更通用和可转移的特征，在此基础上提出了一种基于注意力的空间反差目标来学习本地区分和类别不可知特征。通过大量实验证明了该方法优于最先进的方法，证实了学习良好、可转移的嵌入在 few-shot 学习中的重要性。

    Dec, 2020

  • 集成少样本学习用于分类和分割

    本文介绍了少量样本分类和分割的集成任务 (FS-CS)，将两个常规的少量样本学习问题广义化到具有任意图像对的更现实的情境。提出了用于 FS-CS 的集成少量样本学习 (iFSL) 框架，该框架训练学习者构建类别化的前景图，用于多标签分类和像素级分割。同时开发了一个有效的 iFSL 模型，称为 ASNet，该模型利用深层语义相关性和全局自我注意力来生成可靠的前景图。结果表明，所提出的方法在 FS-CS 任务上表现良好，并在标准的少量样本分割基准上取得了最优结果。

    Mar, 2022

  • 有效的几类点云分类任务需要什么？

    该研究对最近在机器学习领域受到欢迎的少样本学习在三维感知上的应用进行了深入系统研究，提出了一种新的组件 Cross-Instance Adaptation（CIA） module，将其插入到当前基线模型中可显著提高表现，并在两个新的基准数据集上证明了该模型的优越性。

    Mar, 2023