Dec, 2023

自适应加权合作学习用于跨域少样本学习

PDF
TL;DR通过自适应加权联合学习的方法，将两个独立训练的源典型分类模型适应目标任务，以解决交域少样本学习的挑战，该方法采用加权移动平均预测策略生成概率性预测，并基于从预测中产生的伪标签和实例权重交替地联合微调两个模型。此外，还通过惩罚错误预测部署了负伪标签正则化器来改进微调过程，综合实验结果在多个基准数据集上进行了验证，证明了该方法在交域少样本学习性能方面达到了最先进水平。
发现论文，激发创造
  • 跨域小样本学习的双自适应表示对齐

    本文提出了一种基于元学习的双自适应表示对齐方法，针对跨域小样本学习问题，在极少量样本的情况下，通过特征和分布的对齐，实现了更好的泛化能力及更高的成果。

    Jun, 2023

  • 跨领域少样本学习视频的 CDFSL-V 模型

    提出了一种新颖的跨领域少样本视频动作识别方法，利用自监督学习和课程学习平衡源领域和目标领域的信息以解决多样性之间的挑战。在几个具有挑战性的基准数据集上评估并展示了该方法优于现有的跨领域少样本学习技术。

    Sep, 2023

  • 基于距离感知对比学习增强信息最大化的无源领域跨域少样本学习

    本文研究了无需访问源领域数据的无源跨领域小样本学习问题，并提出了增强信息最大化与距离感知对比学习 (IM-DCL) 方法，通过引入转导机制、信息最大化和距离感知对比学习来解决这一挑战。在 BSCD-FSL 基准测试的四个数据集上验证了该方法的优越性。

    Mar, 2024

  • 跨域跨集合少样本学习通过学习紧凑和对齐表征

    本文提出一种名为 stabPA 的新方法，通过学习紧凑的原型和跨域对齐表示来同时解决域漂移和少样本学习问题，并在 DomainNet 数据集上实现了优异的结果。

    Jul, 2022

  • 自适应参数原型学习用于跨领域少样本分类

    开发了一种新颖的适应性参数原型学习（APPL）方法，应用于跨领域少样本分类任务，在元学习的框架下，通过对查询集进行基于原型的正则化来元学习模型，并采用加权移动平均自训练方法在目标领域进行传导式微调，实验证明 APPL 在多个跨领域少样本数据集上超越了许多最新技术的性能。

    Sep, 2023

  • 无监督领域自适应的动态加权学习

    本文提出动态加权学习（DWL）的方法，通过引入对齐度和可辨识度的权重动态调整，解决视域不匹配和可辨性消失的负面转移问题，并通过样本加权解决跨域样本分布不平衡问题，从而在多个基准数据集中表现出极好的性能。

    Mar, 2021

  • 多模态跨领域少样本学习用于主体动作识别

    通过多模态输入和无标签目标数据解决跨领域少样本学习中视角行为识别的两个关键挑战，即视角视频的领域差异和实际应用的计算成本问题。提出了 MM-CDFSL 方法，通过教师模型的多模态蒸馏和集成遮蔽推理，增强模型对目标域的适应性并提高推理速度。在多个视角数据集上的性能优于现有的跨领域少样本学习方法，同时提高了推理速度。

    May, 2024

  • 少量源标签域自适应交叉领域自监督学习

    本文针对存在部分数据标记时的无监督域自适应问题提出了一种新方法，即交叉领域自监督学习方法，它能够有效地学习既具有领域不变性又具有类别判别性的特征表示，它通过自监督学习和跨领域特征匹配实现跨域知识转移，并在三个标准基准数据集上实现了显著的性能提升。

    Mar, 2020

  • 多目标域自适应与协作一致性学习

    本文提出了一种协同学习的框架，在不需要额外的标注数据的情况下实现多目标领域自适应。通过专家模型训练和权重规范化来得到单模型适用于多目标领域的结果，并且在多个任务上表现出了不俗的效果。

    Jun, 2021

  • 跨领域少样本分类的自适应语义一致性

    通过设计自适应语义一致性机制，提出了一种适应性的源领域知识转移框架（ASC），通过在源领域预训练中重用源图像并设计自适应的权重分配策略，实现了源领域知识向目标领域的显式转移，有效地减轻了跨领域 few-shot 分类中过拟合的问题。

    Aug, 2023