CVPRDec, 2021

跨域小样本学习的排名距离校准

PDF
TL;DR本文提出了一种针对少样本学习的跨域迁移学习方法，该方法通过构建目标域感知的非线性子空间以及距离校准来提高传统基于距离的分类器的分类性能，这种距离校准通过逐步引导模型向经过校准的距离分布转化达成。
few-shot learningcross-domain settingdistance calibrationtarget-aware subspacekullback-leibler divergence loss
发现论文，激发创造
  • 基于表示学习和领域自适应的跨领域少样本关系抽取

    该论文介绍了一种结合少样本学习和领域适应思想的方法，使用表示损失和对抗损失来提取源域和目标域中的句子关系，从而解决跨域少样本关系抽取问题，并在 FewRel 数据集上证明了其优越性。

    Dec, 2022

  • 跨域对应实现小样本图像生成

    利用预训练的跨域远程监督来降低过拟合，使用锚定策略以鼓励不同程度的真实感，实现源域和目标域之间的自动对应和生成更多样化和逼真的图像的少样本学习模型。

    Apr, 2021

  • 基于协变量漂移的领域泛化可信度校准

    本文提出一种基于域泛化的新型校准方法，通过利用多个校准域来减少目标域与校准域之间的分布差异，实现校准转移的改进，并且不需要来自目标域的数据，通过理论和实证实验的方法展示了该方法的有效性，并比较了其表现与其他基于域适应的最先进的校准方法。实验表明，在 Office-Home 数据集上的多类别分类中，我们所提出的校准方法的表现提高了 35 个百分点，期望校准误差降低了 8.86 个百分点。

    Apr, 2021

  • KL 导向领域适应

    本文研究了领域自适应中的输入表示对齐问题，提出了一种基于最小化源域和目标域表示分布之间的反向 Kullback-Leibler 差距的方法，利用概率表示网络实现了高效稳定的对齐方法，实验结果表明其优于其他对齐方法。

    Jun, 2021

  • 通过格里斯曼流形上的核回归进行零样本领域适应

    本文提出了一种新的域自适应方法，当目标域可以被描述为参数化向量且存在几个相关源域在同一参数空间内时，它无需访问目标域的数据或标签，大大降低了数据收集和注释的负担，并显示出一些有前途的结果。

    Jul, 2015

  • DOMINO: 领域感知损失用于深度学习校准

    本文提出一种新颖的基于领域感知的损失函数，通过对目标领域内类别相似度的惩罚来提高深度学习模型的校准度，确保模型即使在错误时也能够减少风险错误，从而改善医学影像任务的性能。

    Feb, 2023

  • 跨领域少样本高光谱图像分类的多视图关系学习

    本文提出了一种基于多视角关系学习的跨域少样本高光谱图像分类方法，通过学习样本之间的关系来改善跨域少样本高光谱图像分类，并结合对比学习和基于 Transformer 的跨注意力学习模块来获得更可区分的样本特征。实验证明，与现有方法相比，多视角关系学习机制对于少样本高光谱图像分类的贡献显著。

    Nov, 2023

  • 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

  • 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

  • 跨越极端任务差异的少样本迁移自训练

    本文介绍了一种解决领域差异的简单有效方法：在目标域的未标记数据上进行基于自我训练的源域表示法预训练，从而改善在目标任务上的一次性性能。在 BSCD-FSL 基准测试中，本方法使目标域的一次性性能平均提高了 2.9 点。

    Oct, 2020