IJCAIApr, 2023

利用多阶统计量的集成学习进行小样本分类

PDF
TL;DR本文提出了一种叫做 Ensemble Learning with Multi-Order Statistics（ELMOS）的基于集成学习的方法，该方法使用了多个分支来创建单个学习器，并在每个分支中引入不同的顺序统计池以增加个体学习器的多样性。通过预训练阶段的监督学习优化学习器，多个分支的特征被串联以进行分类器评估，实验结果表明，本文提出的方法在多个少样本分类基准数据集上都取得最先进的性能，证明了使用集成学习在基础类上有望降低新类别真实错误。
发现论文，激发创造
  • 多样性与合作：针对少样本分类的集成方法

    本文提出在 few-shot classification 问题中采用深度神经网络集成来解决分类器高方差的问题，通过引入新策略鼓励网络相互合作来提高分类性能，实验结果表明该方法在 mini-ImageNet 和 CUB 数据集上显著优于当前的 meta-learning 技术。

    Mar, 2019

  • 基于迁移学习的分类器集成在少样本类增量学习中的应用

    提出 TLCE 模型，利用多个预训练模型提高新旧类别的区分度。通过使用史诗式训练将旧类别图像映射到准正交原型以减少新旧类别的干扰，并通过集成多样的预训练模型适应数据不平衡的情况，从而在各种数据集上实验证明我们的转移学习集成方法优于最先进的少样本增量学习方法。

    Dec, 2023

  • 基于特征分布的迁移学习少样本学习方法

    本文提出了一种新颖的基于转移学习的方法，通过预处理特征向量使其更接近高斯分布，并利用基于最优输运的算法 (在普遍情况下) 加以利用，证明了该方法在各种数据集、主干体系结构和少样本情形下达到最先进的准确性。

    Jun, 2020

  • Few-shot 图像分类：使用预训练特征提取器库和简单分类器

    本研究探讨使用预训练特征提取器的集成方法来解决跨域少样本图像分类问题，实验结果表明这种简单且高效的方法在多个少样本任务上都能胜过复杂的元学习算法。

    Jan, 2021

  • EASY: Ensemble Augmented-Shot Y-shaped Learning: 使用简单成分的先进 Few-Shot 分类方法

    本文提出了一种简单的方法，其几乎没有超参数或参数，并达到或甚至超过领域多个标准基准测试的性能，提供了一个新的基准，可以提出（并公平比较）新技术或改进现有方法。

    Jan, 2022

  • 基于贝叶斯的预训练模型在低 - shot 图像分类中的探索

    基于高斯过程的概率模型集成框架，通过结合 CLIP 和基于各种预训练模型构建的深度核函数集成，实现了先验知识的整合，并在标准基准上通过广泛实验证明了我们方法在预测性能方面始终优于竞争方法。

    Mar, 2024

  • 基于卷积组合的小样本缺陷检测技术

    本文提出了一种使用多个预训练卷积模型作为骨干的 few-shot 分类新方法，使用新颖的集成技术提高了准确性，同时大大减少了总参数数量，实现了实时检测，通过强调超参数搜索，该模型在竞争标准中超越了现有的最先进方法，取得了 92.30％的 5-way 5-shot 任务准确率。

    Aug, 2022

  • 增强的少样本逐类增量学习通过集合模型

    通过设计新的集成模型框架与数据增强，以解决在少样本类别增量学习中的过拟合问题，并应用多输入多输出的集成结构和空间感知的数据增强策略来改善特征提取器的多样性和减轻过拟合，同时整合自监督学习以进一步提高模型泛化能力，综合实验结果表明该方法在少样本类别增量学习中能够减轻过拟合问题，并且优于现有方法。

    Jan, 2024

  • 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

  • TransMatch: 半监督少样本学习的迁移学习方案

    本文提出了一种新的半监督少样本学习的转移学习框架，用于充分利用标记基础分类数据和未标记新类数据的辅助信息，并基于该框架开发了一种称为 TransMatch 的新方法，通过 Imprinting 和 MixMatch 实例化三个组件，实验结果表明，该方法可以显著提高少样本学习任务的准确度。

    Dec, 2019