Dec, 2023

低样本目标学习：互斥偏差

PDF
TL;DR该论文介绍了与互斥偏见相关的低样本物体学习（LSME），这是对幼儿在学习单词过程中普遍观察到的现象的首次计算建模。我们提供了一个新颖的数据集、全面的基线和一种最先进的方法，以便机器学习社区可以应对这个具有挑战性的学习任务。LSME 的目标是分析场景中包含多个物体的 RGB 图像，并正确地将一个先前未知的对象实例与提供的类别标签相关联。然后利用这种关联进行低样本学习来测试类别的泛化性。我们为 LSME 问题提供了一个数据生成流程，并对影响其难度的因素进行了全面分析。此外，我们评估了多种基线模型的性能，包括最先进的基准模型。最后，我们提出了一种基线方法，在低样本准确性方面优于最先进的模型。
发现论文，激发创造
  • 深度神经网络的互斥性挑战

    本文研究强归纳偏见对于快速可适应性学习的影响，探讨神经网络是否具有互斥性偏见，并发现其归纳偏见与分类和翻译的终身学习公式不匹配，因此需要设计可通过互斥性进行推理的神经网络来解决这个挑战。

    Jun, 2019

  • 视觉联结语音模型存在互斥偏差

    儿童单词学习中的互斥偏差对视觉束缚的语音模型具有影响，具备更多先验知识的模型表现出更强的互斥偏差。

    Mar, 2024

  • 多重语义下走向少样本学习的初步探索

    本研究关注于使用额外语义信息以便在少量样本时进行图像分类，研究表明组合多种语义信息可以带来更好的效果。

    Jun, 2019

  • 关于通用物体的零样本识别

    本文主要探讨了当前零样本学习（ZSL）模型在 Imagenet 基准测试中的不足之处，提出了基准测试质量不高的原因，并分析了影响 ZSL 模型准确性的不同因素。进一步介绍了 ZSL 数据集中的结构偏见，并详细阐述了半自动构建新基准的方法，以应对这些缺陷。

    Apr, 2019

  • Octavius: 通过 MoE 减少 MLLMs 的任务干扰

    通过介绍新颖且可扩展的框架 LaRA-MoE，本研究通过大型语言模型在多模态学习方面的综合研究和实验，展示了在各种二维和三维下游任务中设计的开创性的 LoRA-MoE 解码器的有效性和多样性（提升约 20%），以及更多其他模态和任务的导入在性能上可能引起的负面冲突和干扰。

    Nov, 2023

  • 通过特征缩小和虚构的方式实现低样本视觉识别

    本文提出了一个复杂图像的低 - shot 学习基准模型，并以此为基础，提出一种注重表示规范化技术和为数据稀少的类别提供虚拟训练数据的技术，客观比较了不同方法在低 - shot 学习中的表现，并成功将 ImageNet 数据集中基于 novel classes 的 one-shot 准确率提高了 2.3 倍。

    Jun, 2016

  • 场景图像的多标签自监督学习

    使用多标签自监督学习（MLS）方法，通过将场景 / 多标签图像的自监督学习简化为多标签分类问题，我们可以学习到高质量的图像表示，该方法在 MS-COCO 上获得了分类、检测和分割方面的最先进结果，并且比现有的方法简单易用，便于部署和进一步探索。

    Aug, 2023

  • 面向上下文的零样本学习用于物体识别

    本文提出了一种基于语义表示的全新的 Zero-Shot Learning 方法，并引入了上下文因素提高了对象的分类效果，通过在 Visual Genome 上进行的实验表明，增加上下文信息可以显著提高标准的 ZSL 方法。

    Apr, 2019

  • 零样本目标检测：学会同时识别和定位新概念

    本文提出了用于同时识别和定位未见过类别的物体实例的 Zero-Shot Detection 问题，并引入基于 ILSVRC 数据集的新实验协议和元类概念来改善自动推导的语义描述的噪音，旨在在视觉和语义领域信息之间建立协同作用的新型 'Zero-Shot Detection' 深度神经网络。

    Mar, 2018

  • 半监督深度学习的互斥损失

    本文介绍了一种基于深度卷积神经网络的半监督学习方法，通过引入无监督的正则化项来指导决策边界落在不同数据类别的低密度区域，从而提升使用未标记数据的物体识别性能。

    Jun, 2016