Few-shot 图像分类中的敌对鲁棒性简单方法

Apr, 2022

Few-shot 图像分类中的敌对鲁棒性简单方法

A Simple Approach to Adversarial Robustness in Few-shot Image Classification

Akshayvarun Subramanya, Hamed Pirsiavash

TL;DR本文研究了如何使用转移学习训练鲁棒的少样本分类器，并提出了一种基于校准中心点的分类方法。我们证明，将标准对抗训练应用于基础类别，并结合针对新类别的校准中心点分类器，可以在少样本学习的标准基准测试中超越或与最先进的高级方法持平。我们的方法简单易用，易于扩展，几乎不需要额外的工作量就能使少样本分类器更加稳健。

Abstract

Few-shot image classification, where the goal is to generalize to tasks with limited labeled data, has seen great progress over the years. However, the classifiers are vulnerable to adversarial examples, posing a question regarding their generalization capabilities. Recent works have tried to combine →

few-shot learning adversarial training meta-learning transfer learning calibrated centroid

发现论文，激发创造

对抗性鲁棒少样本学习：一种元学习方法

本研究旨在开发 Adversarial Querying 算法以生成对小样本图像分类具有鲁棒性的元学习器，并比较其与迁移学习方式的性能表现，结果表明在 Mini-ImageNet 和 CIFAR-FS 等图像分类任务上，该方法具有远优于传统迁移学习方法的鲁棒表现。

Oct, 2019

多样性与合作：针对少样本分类的集成方法

本文提出在 few-shot classification 问题中采用深度神经网络集成来解决分类器高方差的问题，通过引入新策略鼓励网络相互合作来提高分类性能，实验结果表明该方法在 mini-ImageNet 和 CUB 数据集上显著优于当前的 meta-learning 技术。

Mar, 2019

通过对抗任务增强的跨领域少样本分类

针对 few-shot 分类在训练和测试分布之间的域变化导致在测试上性能下降的问题，提出了通过任务增强来改善归纳偏置的鲁棒性，具体来说，采用对抗任务增强方法来生成具有挑战性的任务，可以提供简单的即插即用模块来提高元学习模型在跨域通用性中的性能。

Apr, 2021

基于对抗损失的少样本异常检测与鲁棒特征表示

我们提出了一种少样本异常检测方法，通过整合对抗训练损失来获得更强大和广义的特征表示，实验证明该方法在利用对抗性损失时通常获得更好的性能。

Dec, 2023

利用可学习视角对比学习提升少样本分类

通过引入对比损失和学习算法，本研究提升了少样本分类任务中的细分子类别鉴别能力，实现了在嵌入空间中的潜在细粒度结构学习，并通过在标准小样本学习基准测试中的广泛试验验证了该方法的优越性。

Jul, 2021

少样本图像分类的基准线

这篇研究论文旨在通过优化跨熵损失训练深度网络，提出一种基准模型来解决 few-shot 学习问题，并通过使用更多的元训练类来提高准确性，同时提出衡量 few-shot 任务难度的度量标准。

Sep, 2019

基於知識轉移的少樣本物體檢測

本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。

Aug, 2020

鲁棒变换器方法的小样本增量学习

在本研究中，提出了一种鲁棒的变换器方法（ROBUSTA）来解决少样本分类增量学习问题，其中利用随机分类器、稳定训练过程的批归一化层以及小任务特定可训练参数（delta parameters）来克服过拟合和遗忘问题，并通过非参数方法推断模型预测的 delta 参数。通过一系列实验验证了 ROBUSTA 在基准问题上的优势，且无需数据增强方法即可显著超越先前的方法。

May, 2024

自适应注意力的小样本分类

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

使用单个（稳健的）分类器进行图像合成

研究人员通过开发鲁棒分类框架展示了在图像合成中应用分类器的实用性，并通过对分类器进行对抗性训练，实现了对输入显著特征的直接操作。

Jun, 2019