生成少样本分类的代表性样本
提出了一种考虑图像类别名称的少样本学习方法,利用 BERT 模型学习类别名称嵌入来分离视觉和文本特征,同时采用跨语言词向量对高维度 Bert 嵌入进行处理,实验结果表明该方法在少样本图像分类任务上取得了领先水平。
May, 2021
本文提出了一种基于 facets 的自适应相似性度量方法,该方法可以被用于改进现有的基于度量的 few-shot learning 模型,并在 miniImageNet 和 CUB 数据集上实现了 state-of-the-art 的表现。
Feb, 2021
本文提出了一种新的任务:约束的少样本学习(CFSL),介绍了一种基于 Cat2Vec 的 CFSL 方法,该方法使用类别对比损失,并受到模糊痕迹理论和原型理论等认知理论的启发。
Aug, 2022
本篇论文提出一种使用基类和新类训练样本学习全局类别表示来解决少样本学习问题的方法,该方法在训练过程中涉及到新类训练样本,并且采用了有效的样本综合策略避免过拟合,同时能够轻松扩展到更具挑战性的 FSL 场景。
Aug, 2019
该研究提出了一种混合模型特征空间学习方法,即在网络训练过程中以在线形式同时训练特征提取器和混合模型参数,以实现富有、强健的特征表示,并通过实验证明了该方法的有效性及其在少样本学习领域的优越表现。
Nov, 2020
利用少量数据进行学习是一项具有挑战性的计算机视觉任务,本文通过引入高质量的语义以及使用简单的网络结构,设计了一个名为 “语义进化” 的自动化方式来解决少样本学习中的问题,实验证明该方法在少样本分类任务中表现优异。
Nov, 2023
本文提出了一种新的少样本生命周期学习方法,通过仅训练模型的部分参数来防止过拟合,同时最大程度上减少了灾难性遗忘,并通过减小新旧类别原型之间的余弦相似度以最大化它们的分离来提高分类性能,同时还证明了结合自我监督的方法可以显著提高模型性能。
Mar, 2021
本文提出了一个新的 ProtoGAN 框架来合成额外的样例,以便在少样本学习 (FSL) 背景下的新动作识别和通用 FSL (G-FSL) 的环境下对已知和新的动作类别进行识别,并在 UCF101、HMDB51 和 Olympic-Sports 数据集上进行了大量实验以支持我们的结果。我们通过使用一个类原型传输网络(CPTN)从已知类别的示例中学习类原型向量来生成新的样例,并成功地展示了模型在识别新类别方面的更好表现。
Sep, 2019