Mar, 2023

有效的几类点云分类任务需要什么？

PDF
TL;DR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。
deep learningfew-shot learning3d perceptionpoint cloud classificationcross-instance adaptation
发现论文，激发创造
  • 零样本学习 3D 点云物体

    本文提出使用零样本学习方法（ZSL）对未见过的三维点云进行分类，并根据新方案对模型进行基础测试，从而为三维点云识别领域带来新的挑战。

    Feb, 2019

  • 几何学方法下的聚类驱动下的 Voronoi 图进行小样本学习

    本文从几何角度研究了少样本学习的问题，并提出了一个基于 Cluster-induced Voronoi Diagram 的方法，用于集成参数和非参数，进行特征表示和代理表示的组合，以及利用几何层次的异质性进行改进。该方法在 mini-ImageNet、CUB 和 tiered-ImagenNet 数据集上创造了新的最优结果，比第二好的结果提高了大约 2%-5%。

    Feb, 2022

  • 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

  • Few-shot 分类的深入探究

    这篇论文介绍了几种代表性的 few-shot 分类算法的一致性比较分析，包括修改的基准线方法，新的评估设置等，并揭示了在 backbones 网络较深时，减少类内变异是一个重要的因素，但与使用较浅的 backbones 网络时不太重要的结论。在现实的跨域评估设置中，我们展示了一种标准的微调实践的基准方法与其他最先进的 few-shot 学习算法相比的优越性。

    Apr, 2019

  • 点云上的自监督少样本学习

    该论文提出了两种新型的自监督预训练方法，利用覆盖树对点云进行分层划分，从而避免手动注释点云所导致的困难；并针对少样本学习设置，让学习网络对支持集的点云嵌入进行预训练。实验表明，利用该自监督学习方法预训练的有监督方法显著提高了目前最先进方法的准确性，并且该方法在下游的分类任务中也优于先前的无监督方法。

    Sep, 2020

  • 少样本全生命周期学习

    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

  • 基于混合特征空间学习的少样本图像分类

    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

  • LSFSL: 利用形状信息进行少样本学习

    LSFSL improves the generalizability and robustness of few-shot learning models by incorporating relevant priors and addressing shortcut learning in deep neural networks.

    Apr, 2023

  • 基于学习潜在语义组件的领域自适应、零样本和少样本识别分类器

    研究计算机视觉相关技术，提出新颖的视觉属性编码方法用于领域适应、少样本学习和零样本学习等场景中，通过运用训练数据中的代表性原型作为概率向量进行编码，以此作为分类器的输入来进行测试，且在有限的少量注释标签下以及新语义属性下表现，优于针对特定上下文训练的现有方法。

    Jan, 2019