配合伙伴学习的少样本图像分类

ICCVSep, 2021

Partner-Assisted Learning for Few-Shot Image Classification

Jiawei Ma, Hanchen Xie, Guangxing Han, Shih-Fu Chang, Aram Galstyan...

TL;DR本文提出了一种两阶段的训练策略 Partner-Assisted Learning（PAL）用于 Few-shot Learning，通过训练伙伴编码器和主编码器来获得基本表示，并设计对数输出和特征级别的对齐约束，从而在几个基准测试中一致优于最先进的方法。

Abstract

few-shot learning has been studied to mimic human visual capabilities and learn effective models without the need of exhaustive human annotation. Even though the idea of meta-learning for adaptation has dominated

few-shot learning meta-learning partner-assisted learning training strategy feature extractor

发现论文，激发创造

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

原型中心的关注学习在少样本动作识别中的应用

本文提出了一种原型中心的注意力学习模型（PAL），通过引入原型中心对比学习损失和混合的注意力学习机制，PAL 模型能够有效地提高在少样本情况下的行为识别准确度，具有优异的性能表现。

Jan, 2021

多样性与合作：针对少样本分类的集成方法

本文提出在 few-shot classification 问题中采用深度神经网络集成来解决分类器高方差的问题，通过引入新策略鼓励网络相互合作来提高分类性能，实验结果表明该方法在 mini-ImageNet 和 CUB 数据集上显著优于当前的 meta-learning 技术。

Mar, 2019

Few-shot 图像分类：使用预训练特征提取器库和简单分类器

本研究探讨使用预训练特征提取器的集成方法来解决跨域少样本图像分类问题，实验结果表明这种简单且高效的方法在多个少样本任务上都能胜过复杂的元学习算法。

Jan, 2021

简单语义辅助的少样本学习

利用少量数据进行学习是一项具有挑战性的计算机视觉任务，本文通过引入高质量的语义以及使用简单的网络结构，设计了一个名为 “语义进化” 的自动化方式来解决少样本学习中的问题，实验证明该方法在少样本分类任务中表现优异。

Nov, 2023

小样本图像识别的语义提示

该研究提出了一种基于语义提示的适应性视觉特征提取方法，通过在空间和通道维度插入语义提示来提高视觉特征提取器的处理能力，从而在极少量的支持样本下，实现更好的类别特定特征捕捉和更广泛的图像表示。

Mar, 2023

Few-Shot 学习的原型完备性

本论文提出了一种基于原型补全的元学习框架，采用属性转移网络，利用类部件或属性的先验来学习预测看不见部分的属性，然后利用高斯原型融合策略来完成原型。该方法在归纳式和传递式少样本学习的情境中均取得了优越的性能。

Aug, 2021

FILM: 少样本图像分类如何从预训练语言模型中受益？

本文提出了一种基于对比学习的新的 few-shot learning 框架，通过预训练语言模型解决视觉特征与文本嵌入之间的对齐问题，并引入度量模块来实现余弦相似度的泛化，通过双层优化结构中的 MAML 训练模型以提高可迁移性，此外，在多个基准测试上进行了大量实验证明我们方法的有效性。

Jul, 2023

少样本图像分类的联合对齐

本论文提出了关联对齐的思想，将新颖的训练实例与基础训练集中密切相关的样本进行对齐，从而扩大了有效新颖训练集的规模。研究表明采用我们提出的关联对齐策略和以质心为基础的关联损失，相较于现有技术，可以分别在目标识别、细粒度分类和跨领域适应中提高 5-shot 学习的绝对准确率 4.4％、1.2％和 6.2％。

Dec, 2019

无监督学习在少样本图像分类中的应用

本研究提出了一种自我监督学习的方法，以训练更通用的嵌入网络，可以在少样本的情况下实现更好的图像分类性能，即使在跨域情况下也表现出一定的鲁棒性。

Nov, 2019