CAD: 为了改善少样本分类而共同适应辨别特征
本文提出了一种新的适应实例嵌入到目标分类任务中的方法,通过一种集合到集合的函数,生成特定于该任务且有区分度的嵌入,并在标准少样本分类基准和四个扩展少样本学习设置中进行了验证,取得了一致的改进和最新的最佳结果。
Dec, 2018
本文提出了一种机制,可以根据待学习的新图像类别自适应地从视觉和语义两方面结合信息,通过一系列实验表明,这种自适应组合可以在所有基准和few-shot情景上大幅优于当前单模态学习方法和模态对齐方法,特别是在少样本的情况下。
Feb, 2019
本研究引入了一种可插拔的种类遍历模块,它通过遍历整个支持集来识别基于特征空间内部公共性和类间唯一性的任务相关特征,并提高了基于度量学习的少样本学习系统的性能。
May, 2019
本文旨在解决度量方法下少样本分类领域差异的问题,使用特征转换层进行数据增强以模拟不同域下的特征分布,并应用“学习学习”方法搜索超参数来捕捉不同域下的特征分布变化,实验结果表明该方法适用于不同的度量模型,能够提高少样本分类准确性。
Jan, 2020
本研究提出,以meta-training data为基础,先学习一个监督或自我监督的表征,再在表征上训练线性分类器,可以优于现有的few-shot learning方法。自教学技术可以进一步改善。这表明好的学习嵌入模型比复杂的元学习算法更有效。
Mar, 2020
本文提出一种新的few-shot学习方法,通过优化和快速适应查询样本的表示来改进few-shot分类,所提出的自适应注意力模型还能够解释分类模型所寻找的证据。在各种基准few-shot分类和精细识别数据集上,实验证明了所提出模型的分类结果达到了最先进水平。
Aug, 2020
本研究提出了一种元学习方法,通过关系模式中“观察什么”和“关注何处”的方式,利用自我相关表示和交叉相关关注,在图像内和图像间学习关系嵌入,以解决少样本分类问题,并在miniImagenet、tieredImageNet、CUB-200-2011和CIFAR-FS等四个少样本分类基准测试中取得了一致的改进。
Aug, 2021
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
通过结合局部表示和高层语义表示的互补优势,我们提出了 Meta-Feature Adaption 方法 (MF-Adapter),并使用 Meta-Feature Unit(MF-Unit)来适应图片特征,从而在无标签样本下达到更好的分类性能。
Jul, 2024
本研究解决了传统基于度量的方法在少量样本分类中的局限性,尤其是未能充分利用浅层特征的问题。我们提出了一种新方法,通过多输出嵌入网络映射样本到不同特征空间,并结合自注意机制来改进特征提取,最终显著提升了分类性能。实验结果表明,该方法在MiniImageNet和FC100数据集上效果优异,展示了其在少量样本图像分类中的潜在影响。
Sep, 2024