基于渐进机器学习的小样本图像分类

Jul, 2023

基于渐进机器学习的小样本图像分类

Few-shot Image Classification based on Gradual Machine Learning

Na Chen, Xianming Kuang, Feiyu Liu, Kehao Wang, Qun Chen

TL;DR基于渐进机器学习的非 i.i.d 范式，本文提出了一种新颖的途径，通过提取特征表示逐步学习，构建一元和二元因子来分类图像，实验证明该方法在准确性方面提高了 1-5%，并且相比于现有的深度模型更具鲁棒性。

Abstract

few-shot image classification aims to accurately classify unlabeled images using only a few labeled samples. The state-of-the-art solutions are built by deep learning, which focuses on designing increasingly comp

few-shot image classification deep learning gradual machine learning feature representations performance improvement

发现论文，激发创造

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

大规模扩散下的小样本学习

本研究考虑借助大规模相似性图来进行大规模图像标注，在少量样本标注的情况下实现低样本学习低的准确率。研究发现，尽管其概念上很简单，但将标签传播扩展到亿万级别的图像可以实现低样本学习方法的最新准确性

Jun, 2017

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

少样本全生命周期学习

本文提出了一种新的少样本生命周期学习方法，通过仅训练模型的部分参数来防止过拟合，同时最大程度上减少了灾难性遗忘，并通过减小新旧类别原型之间的余弦相似度以最大化它们的分离来提高分类性能，同时还证明了结合自我监督的方法可以显著提高模型性能。

Mar, 2021

基于度量的小样本图分类

本研究针对数据稀缺度的问题，提出了一种利用距离度量学习方法和基于图表征学习的分类模型的 few-shot 学习方法，同时在嵌入空间中实现了任务驱动嵌入，最后提出了一种基于 MixUp 的在线数据增强技术。

Jun, 2022

少样本无监督图像到图像翻译

本论文提出一种基于生成对抗网络和网络设计的少样本无监督图像转换算法，通过在基准数据集上的大量实验验证与多种基线方法比较，证明了提出的框架的有效性。

May, 2019

少样本分类中的泛化思考

通过将输入样本分割成补丁，并借助 Vision Transformers 对其进行编码，从而在图像的局部区域之间建立语义对应关系，而不受其各自类别的影响。利用掩蔽图像建模等方法进行无监督训练，以克服标签不够精细以及避免负面的图像级注释影响，实现了对数据的更一般的统计结构的学习，并在四个流行的 Few-shot 分类基准测试中，对于 5-shot 和 1-shot 情形均取得了新的最优结果。

Jun, 2022

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

利用多个描述特征进行强韧少样本图像学习

通过使用大型语言模型自动列举每个类别的多个视觉描述，并使用视觉 - 图像模型将这些描述转化为每个图像的多个视觉特征集，然后使用稀疏逻辑回归选择相关特征子集进行分类，该方法在直观表示相关特征和少样本学习任务中表现出色，并在基于微调的方法中在分布内外任务上超过了现有的最先进方法。

Jul, 2023