Nov, 2023

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

PDF
TL;DR本研究通过理论、算法和实验贡献来研究在标签有限情况下的机器学习，重点关注计算机视觉中的图像分类和目标检测任务，并提出了用于少样本分类中流行的元学习算法的理论与实践之间的联系，以及基于 Transformer 架构的目标检测器在训练过程中如何利用无标签数据的方法。
发现论文，激发创造
  • 目标检测的少标注学习：基于 Transformer 模型是否更高效？

    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

  • 自监督和少样本目标检测综述

    本文综述了近期研究的少样本和自监督目标检测方法，并提出了研究中的主要收获和未来方向。

    Oct, 2021

  • 少样本分类中的泛化思考

    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

  • 最近几种 Few-Shot 物体检测算法的比较评价

    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

  • 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

  • 从未标注的图像中发现部件并进行数据增强的小样本学习

    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

  • 基于弱监督学习的多证据过滤与融合方法用于多标签分类、目标检测和语义分割

    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

  • 元调节损失函数和数据增强用于少样本目标检测

    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

  • 自我监督元学习用于少样本自然语言分类任务

    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

  • 利用无标签示例增强少样本图像分类

    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