ECCVJul, 2022

学习分层感知特征以减少错误严重程度

PDF
TL;DR提出了一种学习层次感知特征的方法，该方法利用层次结构中的分类器并使用 Jensen-Shannon Divergence 和几何损失来训练，可以在维持 top-1 误差的情况下改善分类器错误，从而提高分类性能。
hierarchy aware featuresjensen-shannon divergencegeometric lossclassifierlabel hierarchy
发现论文，激发创造
  • 通过诱导神经崩溃到固定的分层感知框架以降低错误严重性

    该研究提出了一种新的深度神经网络架构，通过固定线性分类器到 Hierarchy-Aware Frame (HAFrame)，利用余弦相似度辅助损失函数来学习 collapse 到 HAFrame 的层级感知特征，从而降低模型预测的误差且保持其准确性。

    Mar, 2023

  • 利用深度网络的类层次结构改进失误

    本篇论文提出了使用图距离和交叉熵损失的两种简单方法来解决深度神经网络中错误严重性的问题，并在两个大型具有复杂类层次结构的数据集（tieredImageNet 和 iNaturalist'19）上优于先前的方法。

    Dec, 2019

  • 自适应尺度神经密集特征：通过层级上下文聚合学习

    本研究提出了 SAND 特征，一种专门针对特征提取的深度学习解决方案，能够提供分层上下文信息。该方法在视觉问题的许多方面具有广泛应用，并在不需要额外训练的情况下实现了更好或可比较的结果。

    Mar, 2019

  • 使用所有标签：一种分层多标签对比学习框架

    本文提出了一种层次化多标签表征学习框架，该框架可以利用所有可用标签并保留类别之间的层次关系，并引入新颖的层次保持损失。该方法是数据驱动的，自动适应任意多标签结构。实验表明，我们的关系保持嵌入在各种任务上表现良好，优于基线监督式和自监督式方法。

    Apr, 2022

  • 整合领域知识：使用层级结构改进深度分类器

    基于 WordNet 类层次结构的机器学习方法提高了 ImageNet 和 NABirds 数据集的分类准确度，并在较短的训练时间内成功匹配了基线模型的细粒度识别性能。

    Nov, 2018

  • 深度网络中测试时间无成本似然操纵以减小错误率

    研究表明，当前基于层次结构的分类器不能在减少深度学习分类器中较严重错误方面表现出实用的改进。然而，条件风险最小化（CRM）框架作为一种简单又有效的方法，通过修正推理时的错误来修复此问题，同时避免引入过多的超参数或更多的代码。

    Apr, 2021

  • 对抗性特征幻化网络用于少样本学习

    本文提出基于条件 Wasserstein 生成对抗网络的对抗特征幻觉网络（AFHN），利用少量有标签样本来生成可区分性和多样性的特征向量以解决数据标注不足的问题，并通过对比实验证明了该方法优于现有基于数据增强的 few-shot learning 方法和其他先进方法。

    Mar, 2020

  • HiFT：用于航拍跟踪的分层特征变换器

    本文提出了一种基于 Siamese 的跟踪方法，采用分层特征变换对多级卷积层生成的分层相似度图进行交互式融合，提高了全局的上下文信息，更高效地学习多级特征之间的相互依赖关系，并且实现了在实时速度情况下的实际应用，该方法在四个空中基准测试中被证明具有很好的效果。

    Jul, 2021

  • 代价高昂特征的分层多实例数据分类

    通过远程服务对恶意网络域名进行分类，并基于具有层次结构的多实例数据的树进行分析，使用分类成本特征、多实例学习和分层决策空间分解的方法来训练强化学习策略以最大化准确性，同时限制成本，能够有效处理结构复杂的数据。

    Nov, 2019

  • 使用监督对比学习学习标签层次

    我们介绍了一种 Label-Aware SCL 方法，通过利用类别之间的相似性，将层次信息融入到 SCL 中，从而创建一个更结构化和具有辨别性的特征空间，实现了更好的文本分类性能。

    Jan, 2024