少样本医学图像分类的即插即用特征生成

Oct, 2023

少样本医学图像分类的即插即用特征生成

Plug-and-Play Feature Generation for Few-Shot Medical Image Classification

Qianyu Guo, Huifang Du, Xing Jia, Shuyong Gao, Yan Teng...

TL;DR通过 MedMFG 方法，针对少样本学习在医学图像分类中的过拟合问题，生成丰富有效的特征，并结合原型训练出更具普适性的分类器，实验证明该方法在不同领域的图像分类上具有显著改进。

Abstract

few-shot learning (FSL) presents immense potential in enhancing model generalization and practicality for medical image classification with limited training data; however, it still faces the challenge of severe o

few-shot learning medical image classification limited training data medmfg classification improvement

发现论文，激发创造

多方位原型的少样本图像分类

本文提出了一种基于 facets 的自适应相似性度量方法，该方法可以被用于改进现有的基于度量的 few-shot learning 模型，并在 miniImageNet 和 CUB 数据集上实现了 state-of-the-art 的表现。

Feb, 2021

基于混合特征空间学习的少样本图像分类

该研究提出了一种混合模型特征空间学习方法，即在网络训练过程中以在线形式同时训练特征提取器和混合模型参数，以实现富有、强健的特征表示，并通过实验证明了该方法的有效性及其在少样本学习领域的优越表现。

Nov, 2020

基于大型语言模型的高效少样本临床任务适应

通过部分冻结的简单微调变体和上下文化标签，提出了一种在有限样本大小下超越传统微调方法的方法，从而显著提高了医学图像的语义嵌入区分度，使得在 1-shot 设置下与常用的 one-hot 标签和其他语义监督方法相比性能提高了 3%-5%。

Dec, 2023

MHFC: 多头特征协作用于少样本学习

针对 Few-shot Learning 中存在的数据稀缺问题和特征提取模型的多样性，本文提出了一种名为 MHFC 的算法来解决分布偏移问题，该算法采用子空间学习的方法将多头特征进行融合，并设计了一个注意力模块自动更新 feature 权重，从而获得更具有鉴别性的特征。在五个基准数据集上进行验证，与现有技术相比，实验结果取得了 2.1％-7.8％的显着提升。

Sep, 2021

医学文本的小样本学习：系统综述

本篇综述了最新关于使用少样本学习方法来解决医疗自然语言处理问题的研究状态。结果显示，多数研究侧重于已存在的数据集，其中概念提取和命名实体识别是最常见的任务，研究方法主要包括注意力机制、原型网络和元学习。然而，当前的研究还面临着医学领域数据集数量有限以及少样本学习方法在医学领域表现不如在其他领域的问题，因此需要创建更加专业的医学数据集来促进该领域方法的发展比较分析。

Apr, 2022

基于通用跨领域多标签少样本学习的胸部 X 光图像识别

利用少量训练数据，跨域迁移，多标签元学习等方法，提出了一个称为综合交叉域多标签少样本学习（GenCDML-FSL）的集成框架，用于胸部 X 射线异常分类，实验证明其优于传统方法。

Sep, 2023

ProtoGAN：面向行为识别的少样本学习

本文提出了一个新的 ProtoGAN 框架来合成额外的样例，以便在少样本学习 (FSL) 背景下的新动作识别和通用 FSL (G-FSL) 的环境下对已知和新的动作类别进行识别，并在 UCF101、HMDB51 和 Olympic-Sports 数据集上进行了大量实验以支持我们的结果。我们通过使用一个类原型传输网络（CPTN）从已知类别的示例中学习类原型向量来生成新的样例，并成功地展示了模型在识别新类别方面的更好表现。

Sep, 2019

将视觉原型与 BERT 嵌入对齐，用于少样本学习

提出了一种考虑图像类别名称的少样本学习方法，利用 BERT 模型学习类别名称嵌入来分离视觉和文本特征，同时采用跨语言词向量对高维度 Bert 嵌入进行处理，实验结果表明该方法在少样本图像分类任务上取得了领先水平。

May, 2021

FSL 模型得分更高

通过图像转换生成样本，并在生成的样本上进行分类，可以提高 few-shot-learning 模型在测试阶段的性能。

Feb, 2024

无需训练的原型校准的少样本类增量学习

在 Few-Shot Class-Incremental Learning (FSCIL) 场景中，我们发现现有方法倾向于将新类别的样本错误地分类为基类别，导致新类别的性能表现较差。为了解决这一问题，我们提出了一种简单而有效的训练无关的校准策略（TEEN），通过将新类别的原型与加权基类别的原型相融合，以增强新类别的可区分性。在 FSCIL 标准基准测试中，TEEN 显示出出色的性能并在 few-shot learning 场景中持续改进。

Dec, 2023