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
本文提出了两种简单而有效的方法通过无标签查询样本来估计新颖类别的分布,从而避免了负面转移的问题。经过多个数据集的实验,该方法明显优于现有的先进方法。
Mar, 2023
本文提出了一种新方法,利用预训练的特征提取器和分类模型在有限的训练样本数下通过分布校准和高斯分布等方法,提高少量样本的分类准确度,相比其他方法在 miniImageNet 上达到了约 5% 的提升。
Jan, 2021
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
本文提出了一种基于高斯模型的特征分布参数估计方法,通过估计类间条件密度之间的距离实现对于少样本分类任务中泛化误差的预测,并在实验中表明该方法优于 leave-one-out cross-validation 等传统方法。
Dec, 2022
在这篇研究论文中,我们研究了一个隐藏变量引起的类别分布偏移的情景,针对零样本分类器在训练课程上学习的表示被应用于新的未见类别的情况,我们引入了一种算法用于学习在这种类别分布偏移下具有鲁棒性的数据表示。我们展示了我们的方法,将分层数据抽样与越域泛化技术相结合,能够改进在模拟和真实数据集中对多样的类别分布的泛化能力。
Nov, 2023
本文提出了一种名为 Simple CNAPS 的新型神经网络架构,采用 Mahalanobis 距离作为距离衡量标准并学习适应性特征提取器,从而在标准 few-shot 图像分类基准数据集上实现了 6.1% 的性能提升。
Dec, 2019
该研究探讨了在 few-shot 任务的查询集中引入任意类别分布(即类别不平衡)的影响,进一步提出一种基于 α-divergence 的损失函数,有效地处理了类分布变化,大幅提高了性能。
Apr, 2022
基于条件变分自编码器模型,使用语义嵌入生成视觉样本,通过训练生成具有代表性的样本来改善数据稀缺性问题,提升 few-shot 分类效果,实验结果表明我们提出的方法在 1-shot 和 5-shot 设置下在 miniImageNet 和 tieredImageNet 数据集上实现了最先进的性能。
May, 2022
本文提出了一种基于拉普拉斯正则化的推导式推理方法,用于 few-shot 任务中的图聚类,以支持来自支持集的监督性约束。实验结果表明,在五个 few-shot 学习基准测试中,LaplacianShot 方法具有显著优于现有方法的性能表现。