计算机视觉中的少标注学习:图像分类和目标检测任务应用
在这篇文章中,我们针对当前最先进的目标检测器 Deformable DETR,提出了一种针对少批注学习设置的半监督方法,使用学生 - 教师架构,在避免依赖教师模型生成的伪标签的敏感后处理的同时进行学习。我们在半监督目标检测基准 COCO 和 Pascal VOC 上评估了我们的方法,并在标注稀缺的情况下优于先前的方法。我们相信我们的贡献为在此设置中使用类似的目标检测方法开辟了新的可能性。
Oct, 2023
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
本研究综述了少样本物体检测的现有成果及未来展望,提出了基于数据的训练分类法和相应监督的形式,并对其定义、主要挑战、基准数据集、评估指标和学习策略进行了详细调查,最后总结了少样本目标检测的现状以及未来的研究方向。
Oct, 2021
本文介绍了一种基于元学习的方法,通过学习无标签图像的传递特征来进行 few-shot 学习,同时采用了基于部分的自监督表示学习和部分增强策略来缓解数据稀缺引起的过度拟合问题,并在 miniImageNet 和 tieredImageNet 的基准测试中表现出优异的性能。
May, 2021
该论文提出了一种弱监督课程学习流程,用于多标签对象识别、检测和语义分割的任务,其中包括四个阶段,包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练,通过这种流程,实现了在 MS-COCO、PASCAL VOC 2007 和 PASCAL VOC 2012 数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。
Feb, 2018
本研究旨在提出一种新的训练机制,从元学习的角度调整损失函数和数据增强的动态,以实现在少量样本下精准检测物体的目标,实验结果显示,在 Pascal VOC 和 MS-COCO 数据集上,该方法相较于基于 fine-tuning 和元学习的现有模型都取得了显著的进展。
Apr, 2023
本文提出了一种自监督的方法来生成大量的 meta-learning 任务分布,通过这种方法,将 transformer 模型的预训练与 meta-learning 相结合,证明了这种方法能够在 NLP 任务上实现更好的少样本泛化。
Sep, 2020
我们提出了一种用于少样本图像分类的传导元学习方法,结合了经过正则化的马氏距离软 k-means 聚类过程和修改后的最先进的神经自适应特征提取器来使用未标记数据提高测试时间分类准确性,我们在 Meta-Dataset、mini-ImageNet 和 tiered-ImageNet 基准测试上取得了最先进的性能。
Jun, 2020