联合分布至关重要：用深度布朗运动距离协方差进行小样本分类

CVPRApr, 2022

联合分布至关重要：用深度布朗运动距离协方差进行小样本分类

Joint Distribution Matters: Deep Brownian Distance Covariance for Few-Shot Classification

Jiangtao Xie, Fei Long, Jiaming Lv, Qilong Wang, Peihua Li

TL;DR该研究提出了一种深层布朗运动距离协方差（DeepBDC）方法来解决少样本分类问题，其关键思想是通过测量嵌入特征的联合特征函数与边缘特征的乘积之间的差异来学习图像表示，实验表明 DeepBDC 显着优于同类方法，创造了新的最先进结果。

Abstract

few-shot classification is a challenging problem as only very few training examples are given for each new task. One of the effective research lines to address this challenge focuses on learning deep representations driven by a similarity measure between a query image and few support i

few-shot classification deep brownian distance covariance image representations joint characteristic functions state-of-the-art results

发现论文，激发创造

BDC-Adapter: 布朗运动距离协方差在视觉语言推理中的改进

本研究提出了一种基于 Brownian 距离协方差的 BDC-Adapter 方法，通过模拟所有可能关系以测量特征依赖性，在执行分类任务时可以灵活处理非线性关系并充分表征独立性，实验证明其在性能上大幅超过了当前最先进的方法。

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

用于少样本学习的非对称分布度量

提出了一种新颖的基于度量的小样本学习方法，即使用不对称分布度量、局部和全局不对称度量和对比度量策略的非对称分布度量网络 (ADM)，在 miniImageNet 和 tieredImageNet 等数据集上分别实现了 5-way 1-shot 任务上的 3.02% 和 1.56% 的精度提升。

Feb, 2020

针对少样本物体检测的上下文感知聚合密集关系蒸馏

本文提出了一种基于 Dense Relation Distillation 和 Context-aware Aggregation 的元学习框架 DCNet，其针对少样本物体目标检测问题，通过充分利用 support feature 和注意力机制来匹配 query feature，以提高模型对物体图像尺度和外观变化的建模能力，实验结果表明 DCNet 在 PASCAL VOC 与 MS COCO 数据集上取得了 SOTA 的效果。

Mar, 2021

学习统计推断相关特征

通过深度典型相关分析 (DCCA) 找出可以最真实地从一种数据视角推导出的特征，进而构建出一非参数隐含联合概率分布的经典版本，以求解贝叶斯估算和标准偏差，并测试其在 OCCLUD MNIST 图像推理和监督学习中的可行性和效率，同时探索了发现单个数据集中显著的独立变量的可能性。

Apr, 2019

布朗运动距离协方差

本研究介绍了一类新的多元相关系数 —— 距离相关系数，其应用于任意维度的随机向量。距离协方差与距离相关系数类似于经典的二元依赖度量，但是它们能够推广和扩展这些经典的二元依赖度量，并可以表征独立性，即它仅当随机向量独立时为 0。研究还介绍了与随机过程相关的协方差的概念，并证明了人口距离协方差与布朗运动相关的协方差相一致；因此，两者都可以称为布朗距离协方差。研究还讨论并阐述了应用布朗协方差和相关性相对于经典的 Pearson 协方差和相关性的优点，并加以说明。

Oct, 2010

协作双通道度量在少样本学习中的应用

本文提出了一种对 few-shot 分类问题的基础分类方法，和一种在此基础上的协作双路径度量分类方法，将模型在基础分类上的训练结果迁移到新分类中。经过两个基准测试集的验证表明，该方法是一个简单而有效的框架，而且是该领域的新的最先进技术。

Aug, 2020

自适应 Poincaré 距离点集用于少样本分类

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。

Dec, 2021

P3DC-Shot: 基于先验的离散数据校正用于最近邻少样本分类

P3DC-Shot 是一种基于最近邻居分类的 few-shot 分类方法，通过离线提取特征来对查询数据进行分类。它可以通过离线提取的特征，找到最接近的支持类并对查询数据进行分类。该方法利用了基础类的分布或统计信息来校准数据，将 NN 分类使用离散校准支持数据，使得结果在不需要额外学习步骤的情况下可以超越当前最先进的 few-shot learning 方法的结果。

Jan, 2023

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