May, 2023

基于显著性引导的少样本细粒度视觉识别互学习网络

PDF
TL;DR本文提出了一种名为 SGML-Net 的框架，用于 few-shot 细粒度视觉识别。它通过利用显著性检测模型强调每个子类别的关键区域，提供了代表性学习的强大先验知识，并在互相学习的范式下实现了有效的转移。实证评估表明，所提出的方法具有优越的性能。
few-shot learningfine-grained recognitionsaliency detectiondiscriminative representation learningmutual learning
发现论文，激发创造
  • Few-Shot 识别的知识图谱迁移网络

    该研究提出了一种基于知识图谱的网络模型，通过在少量训练数据的基础上进行信息传递和语义相关性分析，实现在大规模数据集上进行 few-shot 的学习，取得了较好的效果。

    Nov, 2019

  • 基于知识引导的多标签少样本学习在通用图像识别中的应用

    本文提出了一种基于知识图谱和深度神经网络的多标签图像识别框架，利用先验统计信息辅助多标签分析，减少对训练样本的依赖，并在传统多标签图像识别、少样本学习等领域取得了优于现有最先进方法的显著成果。

    Sep, 2020

  • 用大型语言模型实现细粒度视觉识别的民主化

    使用大型语言模型作为代理，FineR 在语义细分类别推理方面体现出更好性能，优于几种先进的 FGVR 和语音与视觉助手模型，并展示了在野外和新领域中工作的潜力。

    Jan, 2024

  • 图像识别少样本学习的两阶段方法

    本论文提出了多层神经网络结构来实现少样本图像识别任务，其中包括特征提取和分类两个阶段，采用 Mahalanobis 距离计算平均类别特征和测试样本的距离，并通过学习映射将样本原型映射到对应类别的原型上，该网络在四个标准的少样本图像识别数据集上表现出优越的性能。

    Dec, 2019

  • 简单语义辅助的少样本学习

    利用少量数据进行学习是一项具有挑战性的计算机视觉任务，本文通过引入高质量的语义以及使用简单的网络结构，设计了一个名为 “语义进化” 的自动化方式来解决少样本学习中的问题，实验证明该方法在少样本分类任务中表现优异。

    Nov, 2023

  • 无遗忘动态少样本视觉学习

    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

  • 关系推广少样本学习

    本文提出一种基于图卷积的全局原型网络（GcGPN）的图形框架，该框架显式地模拟了联合标签空间中所有已看到和新类别之间的关系，以在全局一致的方式下将新类别嵌入到以前看到的所有类别的现有空间中，为广义小样本学习（GFSL）中的快速适应和全局区分提供了解决方案。

    Jul, 2019

  • 跨粒度少样本学习：结合视觉 - 语义元嵌入的粗 - 精伪标记

    本文提出了一种基于元学习的跨层级少样本分类方法，通过基于图像嵌入的贪心聚类来近似细粒度标注，同时引入元嵌入器使得模型可以在训练时仅观察粗略标签，并在测试时执行细粒度分类，实验结果表明该方法的有效性和鲁棒性。

    Jul, 2020

  • 分段分类映射：利用少量示例学习新类别的细粒度学习器

    本文提出了一种端到端的可训练深度网络，旨在解决少样本下的细粒度图像识别问题。该网络包括双线性特征学习模块和分类器映射模块，前者将示例图像的区分信息编码为特征向量，后者映射中间特征到新类别的决策边界。我们在三个细粒度数据集上进行了实验，结果表明该方法优于竞争基线。

    May, 2018

  • 稀缺训练数据情境下细粒度物体识别的显著性

    本文研究利用显著性在很少的训练数据时提高卷积神经网络的分类准确性。我们利用在现有 CNN 架构中添加显著性分支来引导特征提取过程，从而训练出一个具有高水平的对象识别精度的模型。我们的实验表明，显著性方法可以显著提高网络性能，特别是在很少的训练数据情况下。

    Aug, 2018