少样本增量式药丸识别
该研究提出了一种基于卷积神经网络和注意力机制的少样本视觉学习系统,旨在实现在测试时只使用少量训练数据就能有效地学习新类别,同时不会忘记原先基础类别的模型。经过在 Mini-ImageNet 数据集的测试,该模型在 1-shot 和 5-shot 设置下都取得了 56.20% 和 73.00% 的最优成绩。
Apr, 2018
本文介绍了使用少量的视觉示例逐步训练机器人识别不同物体类别的实用系统,并在表格整理任务中演示了该系统的能力。实验评估表明,我们的方法几乎可以达到一次性使用所有示例(批量训练)训练的系统的性能水平。
Jul, 2020
本论文介绍了 ePillID-- 最大的公共药丸图像识别基准,用于减少相似药丸种类的误用,通过低拍摄速率识别,提高基于度量学习方法的多头模型的精度。
May, 2020
本论文提出了一个三阶段框架来解决 Few-shot 学习中的挑战,包括学习新类别,避免基类的灾难性遗忘以及横跨新基类的分类器校准,通过在图像和视频少样本分类的四个基准数据集上的实验证明该框架达到了最先进的结果。
Aug, 2021
提出了一种新的增量原型学习方案,其中包括自适应特征表示和自我推进的原型细化机制,通过动态关系投影模块来计算共享嵌入空间中的关系矩阵并将其作为引导原型更新的因素,经过三个基准数据集的广泛实验,表现优于现有的增量学习方法。
Jul, 2021
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
该研究重点关注 CNN 模型在少数有标记样本的情况下如何对新类别进行增量式学习,并提出了基于神经气网络的知识表示和 TOpology-Preserving knowledge InCrementer (TOPIC) 框架来解决这一问题,实验结果表明该方法在几个数据集上优于当前最先进的类增量学习方法。
Apr, 2020
本篇研究旨在解决跨领域少样本增量学习问题,提出了一种跨域增强约束和跨域数据增强方法,并在 MedMNIST 数据集上进行实验,发现相较于其他类似方法,该方法的分类性能更好。
Apr, 2023
本文提出了一个复杂图像的低 - shot 学习基准模型,并以此为基础,提出一种注重表示规范化技术和为数据稀少的类别提供虚拟训练数据的技术,客观比较了不同方法在低 - shot 学习中的表现,并成功将 ImageNet 数据集中基于 novel classes 的 one-shot 准确率提高了 2.3 倍。
Jun, 2016
研究了一种新的 NLP 任务:增量少样本文本分类,挑战是系统需要在不重新训练之前的类别示例的情况下轮换增量学习新类别,并在新类别下表现良好,同时不影响之前类别的分类,并在此基础上,提出了两种蕴含方法来解决这个问题,并公开了两个基准数据集。
Apr, 2021