自适应 Poincaré 距离点集用于少样本分类

AAAIDec, 2021

自适应 Poincaré 距离点集用于少样本分类

Adaptive Poincaré Point to Set Distance for Few-Shot Classification

Rongkai Ma, Pengfei Fang, Tom Drummond, Mehrtash Harandi

TL;DR本文提出了一种上下文感知的双曲度量学习方法，可用于 few-shot learning 任务，并且在多个分类基准上的实验结果表明这种方法不仅具有鲁棒性，而且表现优于基线模型。

Abstract

Learning and generalizing from limited examples, i,e, few-shot learning, is of core importance to many real-world vision applications. A principal way of achieving few-shot learning is to realize an embedding whe

few-shot learning hyperbolic geometry context-aware hyperbolic metric outlier robustness classification benchmarks

发现论文，激发创造

通过两个新的基于距离的损失函数，强制执行度量学习中的类别可分性，实现少样本图像分类：SuSana Distance 就是你所需要的

提出了两种不同的损失函数 ——Proto-Triplet Loss 和 ICNN loss，其中考虑了嵌入向量的重要性，并评估了训练后网络获得的嵌入的质量。在实验中，相比其他度量法，这些损失函数在 miniImagenNet 基准测试中将准确率显著提高了 2％，表明这些损失函数有能力使网络更好地推广到以前未见过的类别。

May, 2023

超几何与欧几里得嵌入在少样本学习中：同一硬币的两面

最近在表示学习方面的研究表明，分层数据在双曲空间中能产生低维度和高信息量的表示。然而，即使双曲嵌入在图像识别方面引起了人们的关注，其优化过程容易遇到数值障碍。此外，与传统的欧几里德特征相比，目前尚不清楚哪些应用最能受益于双曲性所施加的隐式偏差。本文主要着眼于原型双曲神经网络，特别关注双曲嵌入在高维度情况下收敛于庞加莱球边界的倾向，以及这对少样本分类的影响。我们展示了最佳的少样本结果是通过在共同的双曲半径下得到的双曲嵌入得到的。与以往的基准结果相比，我们证明了无论嵌入维度如何，通过配备欧几里德度量的固定半径编码器都可以获得更好的性能。

Sep, 2023

改进的小样本视觉分类

本文提出了一种名为 Simple CNAPS 的新型神经网络架构，采用 Mahalanobis 距离作为距离衡量标准并学习适应性特征提取器，从而在标准 few-shot 图像分类基准数据集上实现了 6.1% 的性能提升。

Dec, 2019

超球原型建模的小样本分类

使用张量场来建模类的几何学方法在 few-shot learning 方面是一种更加有效的方法，我们提出了一种简单而有效的方法 -- hypersphere prototypes (HyperProto)，使用动态尺寸的超球体来表示类信息，同时在 NLP 和 CV 领域上的实验验证了我们方法的有效性。

Nov, 2022

特征空间中基于符号距离函数的零级集少样本学习

该研究探讨一种新的基于点云的形状重建方法，利用隐式神经网络条件机制，并提出了一种应用梯度的元学习方法以从特征空间学习隐式神经签名距离函数。通过将输入点云作为支持上下文来训练解码器，该方法在隐式重建方面表现良好。

Jul, 2022

通过提升的结构特征嵌入进行深度度量学习

本文介绍了一种利用训练批次的算法，将向量的成对距离提升到成对距离矩阵，从而以学习结构化预测目标的方式来优化最先进的特征嵌入方法，同时在 CUB-200-2011、CARS196 和 Online Products 数据集上进行实验，证明在所有实验的嵌入尺寸上都能够显著提高。

Nov, 2015

超载荷视觉变压器：将度量学习的改进相结合

基于超几何空间的视觉 Transformer 模型，使用改进版的成对交叉熵损失函数直接优化嵌入向量，经过六种不同的数据集表明得到了全新的最先进性能。

Mar, 2022

基于度量的小样本图分类

本研究针对数据稀缺度的问题，提出了一种利用距离度量学习方法和基于图表征学习的分类模型的 few-shot 学习方法，同时在嵌入空间中实现了任务驱动嵌入，最后提出了一种基于 MixUp 的在线数据增强技术。

Jun, 2022

基于度量无关条件嵌入的小样本学习

提出了一种新的神经网络结构，利用基于目标图像的条件来学习高质量的类别表示，采用动态学习方式进行类别之间的对比，对 Caltech-UCSD 鸟类细粒度分类任务取得了最先进的性能。

Feb, 2018

在 Poincare 球中高度可扩展且可证明准确的分类

该论文提出了一种基于 Poincaré ball 模型的统一框架，用于构建可伸缩、简单的超几何线性分类器，并给出了凸优化的解决方案，该算法在合成数据集和真实数据集上的表现均有很高的准确率。

Sep, 2021