少样本分类与收缩样本
本文提出一种简单而有效的在转导设置中原型修正方法,利用标签传播减少内类偏差和特征转移减少交叉类偏差,理论分析证明了其合理性及其性能的下限,并在三个少样本基准测试中表明了其有效性。
Nov, 2019
该论文提出了一种基于频谱滤波的框架来衡量稀有样本与原型之间的差异,并且使用 Tikhonov 正则化方法作为滤波器函数来进行少样本分类任务,实验结果显示该方法在不同数据集上都能达到最先进的性能水平。
Jul, 2022
本文提出一种少样本学习方法,即使用原型网络从小样本中抽象出原型,将其映射到一个度量空间中,比较测试样本和原型之间的距离来进行分类,同时还将其拓展到零样本学习,取得了最先进的结果。
Mar, 2017
本文介绍了一种新的针对单一类别训练原型 few-shot 模型的方法,引入了一个以零为中心的 “空类” 并通过批量标准化实现中心化,同时提出了一个用于距离计算的新的高斯层次,该层次考虑了支撑示例的分布而不仅是它们的质心,在 Omniglot 数据集上得到了.98 的分类准确率,在 MiniImageNet 数据集上的测试准确率为.8。
Jun, 2019
本文提出了一种原型精炼网络(PRNet),通过自适应和融合获取新类别的代表性原型,从而增强了低数据量情况下的原型区分度,实现了少样本分割的挑战,实验结果表明该方法显著优于现有方法。
Feb, 2020
本文提出了一种名为 PrototypeFormer 的方法,通过探索原型关系,显著改进了传统的少样本图像分类方法。该方法采用变压器架构构建原型提取模块,旨在提取更具有区分性的类别表示,以用于少样本分类。此外,在模型训练过程中,提出了一种基于对比学习的优化方法,以优化少样本学习场景下的原型特征。通过在几个流行的少样本图像分类基准数据集上实验,证明了本方法优于所有当前最先进的方法,特别是在 miniImageNet 的 5-way 5-shot 和 5-way 1-shot 任务上分别达到 97.07%和 90.88%,超过最先进方法分别 7.27%和 8.72%的精度。代码将在之后发布。
Oct, 2023
本文提出了一种新的 few-shot 分割框架,基于原型表示,并将整体类表示分解为一组部分感知原型,能够捕捉多样化和细粒度的物体特征。通过利用无标签数据丰富我们的部分感知原型,提高语义对象的内部变化建模。通过在两个基准测试上进行广泛的实验评估,表明我们的方法优于以前的方法。
Jul, 2020
本文提出了一种基于聚类的半监督少样本分类方法,使用 Prototypical Networks 提取特征并结合 K-means 聚类算法,利用少量标记样本指导聚类过程,而用户反馈可以显著改善适应性能。通过图像数据的实验,证明了该策略的良好性能。
Nov, 2017
本研究提出了一种基于度量学习的原型对齐网络(PANet)来解决仅使用少量样本进行图像分割的问题,它通过学习每个语义类别的原型表示,并通过匹配每个像素到所学习的原型来执行查询图像的分割,最终在 PASCAL-5i 上超越了现有技术达到了 48.1% 和 55.7% 的 mIoU 得分(1-shot 和 5-shot 设置),是一种有效的 few-shot segmentation 方法。
Aug, 2019
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