逼真支持 - 查询转移少样本学习的双重对抗对齐

KDDSep, 2023

逼真支持 - 查询转移少样本学习的双重对抗对齐

Dual Adversarial Alignment for Realistic Support-Query Shift Few-shot Learning

Siyang Jiang, Rui Fang, Hsi-Wen Chen, Wei Ding, Ming-Syan Chen

TL;DR提出了一个新的挑战，RSQS，侧重于现实的支持 - 查询偏移少样本学习。使用统一的对抗特征对齐方法（DuaL）从两个方面缓解了 RSQS，即跨域偏差和内域变异。在 RSQS 基准测试中，DuaL 明显优于其他方法。

Abstract

support-query shift few-shot learning aims to classify unseen examples (query set) to labeled data (support set) based on the learned embedding in a low-dimensional space under a distribution shift between the support set and the query set. However, in real-world scenarios the shifts a

support-query shift few-shot learning rsqs adversarial feature alignment method inter-domain bias intra-domain variance

发现论文，激发创造

跨域小样本学习的双自适应表示对齐

本文提出了一种基于元学习的双自适应表示对齐方法，针对跨域小样本学习问题，在极少量样本的情况下，通过特征和分布的对齐，实现了更好的泛化能力及更高的成果。

Jun, 2023

连接小样本学习和适应性：支持查询迁移的新挑战

本文研究了 Few-Shot Learning 中当 support 和 query 样本来自于不同分布时的问题，提出了一种结合 Optimal Transport 和 Prototypical Networks 的新方法，有效缓解了 Distribution Shift 的影响，提高了模型的表现。

May, 2021

PGADA: 基于扰动引导的少样本学习支持集 - 查询集偏移对齐

提出了一种新的对抗数据增强方法 PGADA 和正则化的最优输运平面方法，用于解决 Few-Shot Learning 中由于支持集和查询集之间的分布偏移导致的模型性能下降问题。实验表明，该方法在三个基准数据集上显著优于当前最先进的方法。

May, 2022

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

减轻语义级别转移：一种用于语义分割的半监督域自适应方法

本文提出了一种半监督的方法 ASS 来处理域自适应问题，使用语义级别的对抗学习来提高全局和局部特征的分布一致性，从而更好地减轻源域和目标域之间的数据分布差异。实验结果表明，使用少量的注释样本，ASS 可以显著优于目前的无监督方法，并可以通过增加目标域的注释样本克服针对源域的过度拟合.

Apr, 2020

跨域少样本语义分割基于双重匹配变换

跨领域少样本语义分割（CD-FSS）旨在训练能够用少量标记图像从不同领域分割类别的通用模型。本文提出了基于双重匹配变换网络（DMTNet）的算法来解决特征转换中的问题。通过使用自匹配变换（SMT）构造基于查询图像自身的查询特定变换矩阵，而不是完全依赖支持图像，可以防止过拟合。此外，还提出了测试时间自校准（TSF）策略来更准确地在未知领域中自动调整查询预测。在四个流行数据集上进行的广泛实验表明，DMTNet 相比最先进的方法获得了卓越的性能。

May, 2024

跨领域少样本分割通过迭代支持查询对应挖掘

跨领域少样本分割 (CD-FSS) 需要仅使用有限样本从不同领域中对新颖类别进行分割，论文发现通过 fine-tuning 阶段有效地在领域之间转移学习得到的元知识的必要性以及由于新颖类别样本稀缺导致朴素的 fine-tuning 存在过拟合风险，并提出了一种解决这一挑战的新型跨领域 fine-tuning 策略，通过设计双向少样本预测 (BFP) 和迭代少样本适配器 (IFA) 来降低过拟合风险并最大化利用稀疏的新颖类别样本的监督信号，实验证明该方法显著优于当前技术水平 (+7.8%)，验证了 IFA 能同时应对跨领域挑战和减轻过拟合问题。代码将提供。

Jan, 2024

语义分割的无监督对比域自适应

通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

Apr, 2022

零样本识别的联合特征适应学习

本文提出一种利用数据依赖特征转换和潜在的结构支持向量机，以及采用双线性相似度函数和正则化最小二乘作为特征位移的惩罚，来进行零样本识别的方法，实验结果表明本文提出的方法在几个基准数据集上表现优异。

Nov, 2016

跨域跨集合少样本学习通过学习紧凑和对齐表征

本文提出一种名为 stabPA 的新方法，通过学习紧凑的原型和跨域对齐表示来同时解决域漂移和少样本学习问题，并在 DomainNet 数据集上实现了优异的结果。

Jul, 2022