May, 2023

为 Few-shot Learning 学习更具鉴别性的本地描述符

PDF
TL;DR本文介绍针对图像分类的 Few-shot 学习领域中的 Discriminative Local Descriptors Attention (DLDA) 模型，并基于传统的 k-NN 分类模型进行改进，通过对 4 个基准数据集的实验，表明该方法在 Few-shot 学习中取得了更高的精度并对 k 的选择更加鲁棒。
few-shot learningimage classificationdiscriminative local descriptors attentionk-nn classificationcomputer vision
发现论文，激发创造
  • 重新审视基于局部描述符的图像到类别度量在小样本学习中的应用

    本文介绍了一种以本地描述符为基础的图像分类方案，用于完成少样本学习任务，并证明了该方案具有更高的效率和准确性，实验结果表明，在基准数据集上，本方案相对于其他先进算法的绝对优势高达 17%。

    Mar, 2019

  • LDCA: 基于上下文增强的局部描述符的少样本学习

    本研究提出了一种名为 “局部描述符上下文增强” 的新方法，通过利用自适应全局上下文增强模块，独特地将局部描素与全局理解之间的差距相互联系起来，从而确保对于每个局部特征都进行更大范围的视觉解释，以取得在细粒度分类任务上最高绝对改进率达 20% 的显著进展。

    Jan, 2024

  • TALDS-Net：适应任务的自适应局部描述符选择用于少样本图像分类

    我们提出了一种新颖的任务感知自适应本地描述符选择网络 (TALDS-Net)，该网络具备自适应选择任务感知的支持描述符和查询描述符的能力，通过比较每个本地支持描述符与其他本地支持描述符的相似性来获得最优的支持描述符子集，然后将查询描述符与最优的支持子集进行比较以获得有区分性的查询描述符。大量实验证明我们的 TALDS-Net 在通用数据集和细粒度数据集上优于现有方法。

    Dec, 2023

  • DMN4: 利用判别式相互最近邻神经网络进行少样本学习

    本文提出了一种用于 Few-shot learning 的 DMN4 模型，采用相互最近邻关系显式地选择与任务最相关的查询描述符并丢弃不相关的聚合噪声，通过广泛的实验验证，DMN4 模型在精细分类和广义数据集上均优于现有技术。

    Mar, 2021

  • 自适应注意力的小样本分类

    本文提出一种新的 few-shot 学习方法，通过优化和快速适应查询样本的表示来改进 few-shot 分类，所提出的自适应注意力模型还能够解释分类模型所寻找的证据。在各种基准 few-shot 分类和精细识别数据集上，实验证明了所提出模型的分类结果达到了最先进水平。

    Aug, 2020

  • 深度本地描述符的学习与聚合在实例级别的识别中的应用

    该篇论文提出了一种用于实例级别识别的高效学习本地描述符的方法，它使用度量学习来训练深度神经网络，通过内部组件的激活传递局部描述符。与现有本地描述符相比，在两个实例级别识别任务中提供更好的性能和更低的存储器需求，这证明了全局描述符在大规模情况下不够有效，适当的局部性是不可或缺的。

    Jul, 2020

  • CAD: 为了改善少样本分类而共同适应辨别特征

    本研究提出一种基于自注意力机制的特征重加权策略，实现在给定极少标注样本情况下进行元学习，大幅优于同类现有方法 3%~5%。

    Mar, 2022

  • 具关注力的深度局部特征进行大规模图像检索

    我们提出了一种基于卷积神经网络的关注局部特征描述符 DELF，它可以作为关键点探测器和描述符的一种替代品，能够产生可靠的置信度得分，能够有效地进行图像检索。我们对 Google-Landmarks 数据集进行了测试，结果表明 DELF 在大规模情况下优于最先进的全局和局部描述符。

    Dec, 2016

  • 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

  • 深度线性判别分析

    本文提出了 Deep Linear Discriminant Analysis（DeepLDA）方法，通过在深度神经网络中，学习可分离的线性潜在表示以进行分类的降维。作者的目标是最大化特征分布的相似度以推广传统的 LDA 算法，通过三个基准数据集的评估，DeepLDA 在 MNIST 和 CIFAR-10 上得到了竞争性的结果，在 STL-10 上也优于使用分类交叉熵进行训练的网络。

    Nov, 2015