Jul, 2023

AdAM: 自适应感知核调制的小样本图像生成

PDF
TL;DR本文针对目前的 few-shot image generation 方法仅基于源域的知识选择而未考虑适应性，提出了一种适应性感知的 AdAM 方法，通过实验证明在多个领域的 FSIG 中均有最好的表现，应用前景广阔。
few-shot image generationganknowledge preservation criteriaadaptation-aware kernel modulationproximity
发现论文，激发创造
  • 自适应感知核调制的小样本图像生成

    本文针对 few-shot image generation 问题，提出了一个 Adaptation-Aware kernel Modulation (AdAM) 方法，能够充分利用源域和目标域数据进行迁移学习，以生成更多和多样化的样本，实现了 SOTA 效果。

    Oct, 2022

  • 少样本图像生成中不兼容的知识转移探究

    本研究提出了一种名为知识截断的方法来缓解 few-shot 图像生成中特有的不兼容知识转移问题，该方法是一种轻量级基于修剪的方法，旨在剪枝源生成器中的不重要的过滤器以加快培训速度，在各种挑战性的设置中实现了最先进的性能提升。

    Apr, 2023

  • 生成对抗网络的小样本迁移学习

    该研究提出 Few-Shot GAN (FSGAN)，通过组件分析和学习预训练模型的奇异值，而固定奇异向量，以在少于 100 张图像的情况下进行 GAN 适应。在 5-100 张图像的挑战性少样本设置中，与现有的 GAN 适应方法相比，FSGAN 实现了显著的视觉质量提高。

    Oct, 2020

  • 少样本无监督领域适应的光谱对抗混合

    本文提出了一种新颖的少样本无监督领域自适应方法，通过引入频域的光谱敏感度映射和敏感度引导的光谱对抗混合方法，生成目标风格的图像，并有效抑制模型的敏感性，从而提高模型在目标领域的泛化能力。通过在多个公共数据集上进行严格评估，证明了所提出方法的性能。

    Sep, 2023

  • 调适先于比较：跨域少样本分割的新视角

    面对与训练领域不同的图像时，少样本分割性能大幅下降，这限制了其在现实世界的应用。本研究通过在传统的分类预训练骨干网络的特征金字塔中附加小型网络实现测试时任务自适应，避免过拟合到有监督微调中的少量标记样本，同时在不使用测试时的其他图像的限制下，在交叉领域少样本分割中取得了新的最先进性能，证明了在这个任务中重新思考方法的必要性。

    Feb, 2024

  • 松弛空间结构对鲁棒性小样本生成模型适应的影响

    本论文提出了一种基于空间结构对少量数据进行对抗生成模型适配的方法，通过对源域和目标域的图像对进行跨域对齐，减轻目标生成模型过拟合和崩塌的问题，实验表明该方法在少样本学习中具有显著优势。

    Mar, 2022

  • 人脸反欺诈的小样本领域扩展

    本文提出了一种基于风格转移的语义对齐增强框架（SASA），以解决面部反欺诈系统（FAS）中 Few-Shot Domain Expansion 的问题，其中包括少量目标域训练样本以及大量源域训练样本。该框架通过基于真实感的风格转移生成辅助样本，并提出了设计良好的机制来实现两个域的实例级别和分布级别的对齐，并通过少遗忘的约束来稳定源域上的性能。实验结果表明，所提出的 SASA 方法优于现有的方法。

    Jun, 2021

  • COFT-AD：对少样本异常检测的对比微调

    在本研究中，我们提出了一种新的方法来解决少样本异常检测（FSAD）的挑战，该方法包括使用预先训练的模型初始化权重，采用对比性训练来优化少样本领域数据，以及使用正样本对齐和负样本分离等技术来学习适合于异常检测的表示。我们对 3 个受控异常检测任务和 4 个真实世界异常检测任务进行了评估，以展示所提方法的有效性。

    Feb, 2024

  • 领域自适应几样本开放集学习

    我们提出了一种新颖的方法，称为域自适应少样本开放集识别（DA-FSOS），并引入了一种基于元学习的架构命名为 DAFOSNET。我们的模型通过在给定完全监督的源域和标签独立的少样本目标域的情况下创建伪开放空间决策边界来学习共享和可区分的嵌入空间，并使用一对具有可调噪声方差的条件对抗网络来增强数据密度。此外，我们提出了一种特定于域的批归一化类原型对齐策略，通过新的度量目标在全局上对齐两个域，同时确保类别辨别性。我们基于 Office-Home、mini-ImageNet/CUB 和 DomainNet 数据集提出了 DA-FSOS 的三个基准，并通过广泛的实验验证了 DAFOSNET 的有效性。

    Sep, 2023

  • 少样本对抗性域自适应

    采用对抗训练来学习嵌入的子空间，同时最大化两个域之间的混淆并在语义上对齐它们，解决了少量有标签目标数据样本的深度模型的有监督域自适应问题。

    Nov, 2017