Apr, 2023

利用类层次挖掘的实例级少样本学习

PDF
TL;DR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。
few-shot learninghierarchical informationbase and novel classessoft multiple superclasslabel refinement
发现论文，激发创造
  • 无需训练的原型校准的少样本类增量学习

    在 Few-Shot Class-Incremental Learning (FSCIL) 场景中，我们发现现有方法倾向于将新类别的样本错误地分类为基类别，导致新类别的性能表现较差。为了解决这一问题，我们提出了一种简单而有效的训练无关的校准策略（TEEN），通过将新类别的原型与加权基类别的原型相融合，以增强新类别的可区分性。在 FSCIL 标准基准测试中，TEEN 显示出出色的性能并在 few-shot learning 场景中持续改进。

    Dec, 2023

  • 层次化少样本目标检测：问题、基准和方法

    本文提出了一个名为 Hi-FSOD 的新问题，旨在在 FSOD 范式中检测具有分层类别的对象，并在 Hi-FSOD-Bird 基准数据集上使用 Hierarchical Contrastive Learning 方法及概率损失训练模型，优于现有 FSOD 方法。

    Oct, 2022

  • 图少样本类增量学习

    本研究探讨在图模型中实施分类增量学习的挑战性实际问题，提出了基于伪增量学习和分层注意力的图元学习框架，通过这些设计实验得出了该模型在图模型中表现出更好的增量学习效果。

    Dec, 2021

  • 暗中开火：无基准类标签的小样本学习

    通过实验，本研究发现自监督学习在小类别图像识别中的迁移性、鲁棒性、效率及可补充性都超过了传统的少样本学习方法，并以 3.9% 的准确度优势取得了成功，因此需要更深入地研究自监督学习在少样本学习中的作用。

    Oct, 2020

  • 挖掘潜在类别用于少样本分割

    本研究提出一种新的联合训练框架来缓解现有方法在处理潜在新类别时出现的特征削弱问题，并使用可转移子簇来增强特征嵌入，实验结果表明，该方法在 PASCAL-5i 和 COCO-20i 数据集上超过之前的最先进方法，并具有更少的参数和更快的推理速度。

    Mar, 2021

  • 基于视觉语言模型的少样本类增量学习

    我们介绍了一种创新的 FSCIL 框架，利用语言正则化器和子空间正则化器，该框架不仅能够使模型拥抱有限数据的新类别，还能确保对基础类别的性能保持，通过在基础训练阶段利用视觉 - 语言模型提取的语义信息和在增量训练阶段促进模型对图像和文本语义之间微妙连接的学习。

    May, 2024

  • 少样本类别增量学习综述

    Few-shot Class-Incremental Learning (FSCIL) is comprehensively reviewed, covering problem definition, challenges, general schemes, benchmark datasets, evaluation metrics, classification methods, object detection methods, and future research directions.

    Aug, 2023

  • CHIP：对比度层次图像预训练

    在有限的样本标注下，通过图像对目标对象进行少样本分类是一个任务。我们提出了一个一次性 / 少次分类模型，可以将任何未知类别的对象分类到一个相对通用的类别中，采用了基于层次对比损失的 ResNet152 分类器，基于图像嵌入所提取的特征对对象进行分类，而这些特征在训练阶段未被使用。我们在 ImageNet（ILSVRC-12）数据集的子集上进行了实验，该子集只包含用于训练我们的模型的动物类别，并创建了一组我们自己的未知类别数据集，用于评估我们训练得到的模型。我们的模型在将未知对象分类为通用类别方面得到了令人满意的结果，并对此进行了更详细的讨论。

    Oct, 2023

  • Few-Shot 类增量学习调查

    本文从方法学、性能、应用等多个角度全面分析了最新的 few-shot class-incremental learning（FSCIL）的进展，包括理论研究、性能评估和应用案例，针对当前存在的数据实时性差、忘记之前学习内容、过拟合等问题，提出了一种划分方法，将 FSCIL 分成了传统机器学习方法、元学习方法、特征和特征空间方法、重放方法和动态网络结构方法等五个子领域，并介绍了该领域在计算机视觉、自然语言处理和图像处理等多个方面的应用及未来的研究方向。

    Apr, 2023

  • 少样本分类的标签幻觉

    该研究提出了一种新的适用于 few-shot classification 的方法，使用伪标签技术结合蒸馏损失和标准交叉熵损失来解决小数据集的问题，并取得了比现有的算法更好的效果。

    Dec, 2021