ECCVJul, 2022

通过分层聚合实现树形结构感知的 Few-Shot 图像分类

PDF
TL;DR通过预设任务获得的知识可以增强 few-shot 学习的性能，本文提出了一种插件式的层次树结构方法 (HTS)，通过层次树构建和选择汇聚组件在下游任务中选择和整合最佳特征表征来适应新颖类别，实验结果表明，该方法在四个基准数据集上实现了新的最佳性能。
few-shot learningpretext tasksfeature representationshierarchical tree structureadaptive selection
发现论文，激发创造
  • 利用类层次挖掘的实例级少样本学习

    本文提出了一种利用层次信息进行分类的几乎无监督的实例级别小样本学习方法，称为 Soft Multiple Superclass (SMS)。该方法采用了一种新的超类方法来自动创建基本和新的类的层次结构，关注基本类别的相关特征以有效分类新对象，并将标签细化来进一步描述细粒度类别之间的关联。在 FSIS 基准测试中，广泛的实验表明了该方法的有效性。

    Apr, 2023

  • 通过自监督分层任务聚类解耦少样本文本分类任务关系

    本文提出了一种自我监督的层次任务聚类 (SS-HTC) 方法，通过动态地将异构任务组织到不同层次的簇中来自定义聚类特异性知识，并分离任务之间的潜在关系以提高可解释性，以应对任务异构性，实验结果表明 SS-HTC 的有效性。

    Nov, 2022

  • 使用分层任务图的少样本图分类模型 FAITH

    提出了一种新的少样本学习框架 FAITH，通过构建分层任务图并设计基于损失的采样策略来捕获任务相关性，利用学习到的任务之间的相关性进行少样本图分类，实验结果表明其在四个流行的少样本图分类数据集上表现优于其他现有方法。

    May, 2022

  • 基于原语发现和增强的组合式小样本识别

    该研究提出了一种模拟人类视觉学习的方法，通过发现并增强重要基元从而实现组合识别，达到了当下 few-shot learning 任务领域最好的表现，并更好地利用这些基元进行组合创新。

    May, 2020

  • 视觉 - 语义对比对齐在小样本图像分类中的应用

    本文介绍了一种对称的对齐机制，用于学习从极少的例子中获取更广义的视觉概念的方法。实验结果表明，该方法是通用的，并提供了一个强大的基准。

    Oct, 2022

  • 多方位原型的少样本图像分类

    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

  • 一次性时间句子定位的假设树构建

    本文提出了一种基于叶子节点为每个视频帧的多假设片段树（MHST）的方法，从而解决在极少的帧注释下，实现单次时序句子本地化（one-shot TSL）的问题，并提供了自监督损失函数，与现有方法相比取得了具有竞争力的性能。

    Jan, 2023

  • TAFSSL: 任务自适应特征子空间学习，用于小样本分类

    本文提出了一种名为 “任务自适应特征子空间学习” 的简单技术，可以显著提高少样本学习方案的性能，特别是当一些额外的未标记数据附带用于新的少样本任务时，而且它可以将在半监督 FSL 设置中更多地受益于使用未标记数据到超过 10% 的性能提高。

    Mar, 2020

  • 通过分类遍历寻找适用于小样本学习的任务相关特征

    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

  • 有效的几类点云分类任务需要什么？

    该研究对最近在机器学习领域受到欢迎的少样本学习在三维感知上的应用进行了深入系统研究，提出了一种新的组件 Cross-Instance Adaptation（CIA） module，将其插入到当前基线模型中可显著提高表现，并在两个新的基准数据集上证明了该模型的优越性。

    Mar, 2023