多层感知器优化跨领域少样本分类
本篇研究旨在解决跨领域少样本增量学习问题,提出了一种跨域增强约束和跨域数据增强方法,并在 MedMNIST 数据集上进行实验,发现相较于其他类似方法,该方法的分类性能更好。
Apr, 2023
本文提出了一种新的训练方法,通过已有的解释方法来解释模型的预测,以及开发了一种模型不可知的解释引导训练策略,动态找到并强调对预测重要的特征,从而改善跨域少样本分类任务中模型的泛化能力,并在五种 few-shot 学习数据集上观察到了三种不同 FSC 模型(RelationNet,交叉注意力网络和基于图神经网络的公式)的准确性提高。
Jul, 2020
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
本文提出了跨域 few-shot 学习的 Broader Study of Cross-Domain Few-Shot Learning (BSCD-FSL)基准,并对该基准的广泛实验表明了目前最先进的元学习方法被早期的元学习方法意外地超越,同时发现所有方法的准确性倾向于与数据集的相似性相关,这验证了该基准的价值,可指导未来的研究方向。
Dec, 2019
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
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
面对与训练领域不同的图像时,少样本分割性能大幅下降,这限制了其在现实世界的应用。本研究通过在传统的分类预训练骨干网络的特征金字塔中附加小型网络实现测试时任务自适应,避免过拟合到有监督微调中的少量标记样本,同时在不使用测试时的其他图像的限制下,在交叉领域少样本分割中取得了新的最先进性能,证明了在这个任务中重新思考方法的必要性。
Feb, 2024
该研究对最近在机器学习领域受到欢迎的少样本学习在三维感知上的应用进行了深入系统研究,提出了一种新的组件 Cross-Instance Adaptation(CIA) module,将其插入到当前基线模型中可显著提高表现,并在两个新的基准数据集上证明了该模型的优越性。
Mar, 2023
这篇论文介绍了几种代表性的 few-shot 分类算法的一致性比较分析,包括修改的基准线方法,新的评估设置等,并揭示了在 backbones 网络较深时,减少类内变异是一个重要的因素,但与使用较浅的 backbones 网络时不太重要的结论。在现实的跨域评估设置中,我们展示了一种标准的微调实践的基准方法与其他最先进的 few-shot 学习算法相比的优越性。
Apr, 2019
本文研究跨领域少样本分类,通过引入轻量级参数适配策略和方差感知损失函数来提高模型性能,在 Meta-Dataset 基准测试中,相较于现有方法,准确率分别提高了 7.7% 和 5.3%,且参数效率至少提高 3 倍,达到了新的国际水平。
Mar, 2024