Aug, 2023

借助最优输运的合成特征进行少样本目标检测

PDF
TL;DR通过训练生成器来捕捉基础数据集的数据变化，并将其转化为新类别的合成数据，以实现少样本目标检测。通过使用最优输送损失训练生成器，最小化真实数据和合成数据之间的最优输送距离，我们提出的方法在两个基准数据集上显示出优越的性能。
few-shot object detectionsynthetic data generationoptimal transport lossdata variationsbenchmark datasets
发现论文，激发创造
  • 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

  • 最大化骨干特征分布以实现高效的少样本学习

    本文提出了一种新颖的基于迁移学习的方法，旨在处理特征向量使其更接近高斯分布，加大分类准确性。同时，在具备未标注测试样本的传导式 few-shot 学习中，也提出了基于最优传输启示的算法以进一步提高性能。经过标准化的视觉基准测试，研究发现该方法可以在各种数据集、主干架构和少样本的情况下获得最先进的精度。

    Oct, 2021

  • 合成样例提高罕见类别泛化能力

    研究了少量样本学习的一个解决方案，通过模拟数据来扩充现有训练数据，并应用于动物物种分类。研究结果显示，使用模拟数据可以大幅降低对稀有分类的误分类率，并且随着模拟数据量的增加，目标分类的准确性也随之提高，同时高变化的模拟数据提供了最大的性能提升。

    Apr, 2019

  • 语义生成增强在少样本计数中的应用

    通过使用合成数据和多样化生成策略，本研究探讨了合成数据对于少样本计数问题中的作用，并显示其显著改进了两种最近的高性能少样本计数模型在 FSC147 和 CARPK 数据集上的计数准确性。

    Oct, 2023

  • 基於知識轉移的少樣本物體檢測

    本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。

    Aug, 2020

  • 基于最优传输自监督学习的少样本分类任务选择

    本文提出了一种名为 Optimal Transport Task Selecting（OTTS）的任务选择算法，它通过计算最优运输距离来测量任务相似性，并通过自监督策略完成模型训练。通过利用 OTTS 选择的任务，Few-Shot 学习的训练过程变得更加稳定和有效。实验结果验证了 OTTS 的有效性。

    Apr, 2022

  • 广义零样本学习的合成样本选择

    本文提出了一种基于强化学习进行合成特征选择的新方法，该方法利用 Transformer-based selector 根据验证分类精度选择特征，以此作为奖励，实验结果表明它比现有的特征生成方法表现更好。

    Apr, 2023

  • 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

  • 仅有少量样本的图像变化检测

    这篇论文主要讨论了利用少量样本进行图像变化检测的问题，并通过使用简单的图像处理方法生成合成但具有信息量的数据集并设计了基于目标检测的早期融合网络来解决数据集不足导致的泛化能力差的问题。研究结果表明，使用合成数据训练的模型具有更好的泛化能力，且在此基础上利用少量样本进行微调能够获得优秀的结果。

    Nov, 2023

  • 稀疏上下文变换的小样本目标检测

    本文介绍了一种利用稀疏上下文变换器（SCT）的新方法，在目标域仅有少量训练图像的情况下，有效地利用源域的物体知识，并自动从目标域中学习稀疏上下文，通过结合不同相关线索来增强学习检测器的区分能力并降低类别混淆。两个具有挑战性的少样本目标检测基准测试结果表明，该方法与相关最新技术相比具有竞争性能。

    Feb, 2024