MMSep, 2021

MHFC: 多头特征协作用于少样本学习

PDF
TL;DR针对 Few-shot Learning 中存在的数据稀缺问题和特征提取模型的多样性，本文提出了一种名为 MHFC 的算法来解决分布偏移问题，该算法采用子空间学习的方法将多头特征进行融合，并设计了一个注意力模块自动更新 feature 权重，从而获得更具有鉴别性的特征。在五个基准数据集上进行验证，与现有技术相比，实验结果取得了 2.1％-7.8％的显着提升。
few-shot learningfeature extraction modeldistribution-shift-problemsubspace learningattention block
发现论文，激发创造
  • 基于混合特征空间学习的少样本图像分类

    该研究提出了一种混合模型特征空间学习方法，即在网络训练过程中以在线形式同时训练特征提取器和混合模型参数，以实现富有、强健的特征表示，并通过实验证明了该方法的有效性及其在少样本学习领域的优越表现。

    Nov, 2020

  • 元滤波器学习动态对齐以用于少样本学习

    本文提出了一种基于动态对齐的特征调整方法，从视觉识别的角度解决了 few-shot learning 的问题，采用神经常微分方程技术，使模型能更好地捕捉少量样本的微粒子级别的语义上下文，大幅提高了在 miniImageNet 和 tieredImageNet 数据集上的识别准确率。

    Mar, 2021

  • 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

  • 在线交互式知识蒸馏的特征融合

    本研究提出了一种基于特征融合的学习框架，并通过在线知识蒸馏的方式，让不同子网络分类器之间相互教学，提高融合分类器和每个子网络的性能，多项数据集实验证明了该方法在预测准确性方面的有效性。

    Apr, 2019

  • 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

  • 对比学习的少样本分类

    本文提出了一种新的对比学习框架，将其无缝地整合到预训练阶段和元训练阶段，以提高少样本分类的性能，并使用交叉视图的情节训练机制进行最近的质心分类，并采用基于距离缩放的对比损失。

    Sep, 2022

  • 多模态小样本类增量细粒度数据学习的简化方法

    该研究提出了两个简单的模块来解决 Vision-Language 模型在少样本类增量学习方面的挑战，并在新引入的细粒度数据集上实验结果表明，相比基准模型平均提高了 10 个百分点，而所需的可训练参数少至 8 倍。

    Mar, 2024

  • Meta-FDMixup: 基于有标注目标数据的跨领域少样本学习

    本文提出了一种新的元 - 混合网络，提出了利用少量标记目标数据来指导模型学习的想法，通过重新提出并将混合模块集成到元学习机制中，以及通过提出新的解缠模块和域分类器来提取解缠的领域无关和领域特定特征的方法，实现了缩小域差距的目的，从而使模型能够很好地推广到目标数据集。

    Jul, 2021

  • 基于神经衰竭启发的特征 - 分类器对齐方法在少样本类增量学习中的应用

    本文提出一种基于神经坍塌的框架用于少样本类增量学习，使用分类器原型作为整个标签空间的简单等角紧框架，采用一个新型的损失函数以驱动特征向其相应原型。理论分析表明，该方法在增量方式下保持了神经坍塌最优性并不破坏特征 - 分类器对齐。在 miniImageNet、CUB-200 和 CIFAR-100 数据集上的实验证明了我们提出的框架优于现有技术的表现。

    Feb, 2023

  • FILP-3D：利用预训练视觉语言模型增强 3D 少样本类别渐进学习

    通过引入 Redundant Feature Eliminator (RFE) 和 Spatial Noise Compensator (SNC) 两个新颖组件，实现了在有限数据上进行递增训练时对灾难性遗忘问题的减轻。实验结果表明，该方法在现有 3D FSCIL 基准和我们的数据集上明显优于现有的最先进方法。

    Dec, 2023