Jan, 2024

基于语义关系引导的双视角数据超分辨率方法用于少样本图像识别

PDF
TL;DR通过利用语义关系引导双视图数据幻影，为小样本图像识别提供更多样化和合理化的新数据样本，该框架能通过从基础类别中进行有效的信息传递生成新颖类别的样本。其中，实例视图数据幻影模块利用基础类别的局部语义相关注意力和全局语义特征融合生成新颖类别的每个样本；原型视图数据幻影模块利用语义感知度量来估计新颖类别的原型和相关分布，从而实现对大量样本的重新采样，提高样本的稳定性。通过在几个常用的小样本数据集上与最先进的方法进行了广泛的实验和比较，验证了该框架的有效性。
few-shot image recognitiondata hallucinationsemantic relationsnovel classesprototype-view
发现论文，激发创造
  • 基于显著性引导的样本幻觉小样学习

    该研究使用显著性图提出了一种新颖的、低成本的数据增强方法，借此在数据稀缺情况下改进少样本学习的性能，并且在公共数据集上实现了最新的技术水平。

    Apr, 2019

  • 适用于少样本细粒度识别的跨模态幻象技术

    提出一种基于深度学习的多模态方法，通过有意义的联合嵌入来弥合模型训练中数据不足的信息差距，并通过跨模态数据幻觉框架提出了一个区分性文本条件生成对抗网络，改进了基于 CUB 数据集的一、二、五次学习的模型准确性。

    Jun, 2018

  • 虚拟数据低样本学习

    本文讨论了人类如何在视觉上快速学习新概念，并探讨如何将这种能力应用于机器视觉系统中的低样本学习中，提出了一种基于元学习的新方法，其中包括一个 “幻视器”，用于生成新的训练样本，显著提高了分类准确性。

    Jan, 2018

  • 用视觉监督减轻视觉 - 语言模型中的虚构问题

    通过引入更详细的视觉注释和更具区分性的视觉模型来提高大型视觉语言模型的训练，使其能够生成更精确的回答，减少幻觉；此外，提出了新的评估基准 RAH-Bench 分为三种不同的幻觉类型，与原始 LLaVA 相比，我们的方法在该基准下实现了 +8.4% 的改进，并在其他模型上取得了广泛的性能提升。

    Nov, 2023

  • 简单语义辅助的少样本学习

    利用少量数据进行学习是一项具有挑战性的计算机视觉任务，本文通过引入高质量的语义以及使用简单的网络结构，设计了一个名为 “语义进化” 的自动化方式来解决少样本学习中的问题，实验证明该方法在少样本分类任务中表现优异。

    Nov, 2023

  • HAVE-Net: 基于虚拟的音频 - 视觉嵌入的少样本分类方法

    提出了一个新颖的少样本生成框架，Hallucinated Audio-Visual Embeddings-Network (HAVE-Net)，用于远程感知数据中音频和视觉模态的元训练和分类，在 ADVANCE 和 AudioSetZSL 数据集上的实验结果表明，通过幻觉模态扩充策略进行少样本分类的分类器性能至少比使用真实多模态信息进行训练的分类器性能高出 0.8-2%。

    Sep, 2023

  • 少样本分类的标签幻觉

    该研究提出了一种新的适用于 few-shot classification 的方法，使用伪标签技术结合蒸馏损失和标准交叉熵损失来解决小数据集的问题，并取得了比现有的算法更好的效果。

    Dec, 2021

  • 幻象改善少样本物体检测

    使用幻像网络在 RoI 特征空间中生成特定类别的附加训练样本，并将其整合入现代目标检测模型中，以改善少样本检测。该方法在 COCO 基准测试中实现了新的极少样本检测率的表现，并在两个最先进的少样本检测器上取得了显着的性能改进。

    May, 2021

  • 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

  • 跨领域少样本高光谱图像分类的多视图关系学习

    本文提出了一种基于多视角关系学习的跨域少样本高光谱图像分类方法，通过学习样本之间的关系来改善跨域少样本高光谱图像分类，并结合对比学习和基于 Transformer 的跨注意力学习模块来获得更可区分的样本特征。实验证明，与现有方法相比，多视角关系学习机制对于少样本高光谱图像分类的贡献显著。

    Nov, 2023