ICLRApr, 2024

MetaCoCo: 一个新的具有虚假关联的少样本分类基准

PDF
TL;DR少样本分类中的异构问题（OOD）会导致模型性能下降，而交叉领域少样本分类（CD-FSC）和虚假相关少样本分类（SC-FSC）是 OOD 问题的主要组成部分。为了解决 SC-FSC 问题，我们提出了一个真实场景下收集的含有虚假相关偏移的基准测试 MetaCoCo，并使用 CLIP 作为预训练视觉语言模型来量化 MetaCoCo 的虚假相关偏移程度。实验结果表明，现有方法在存在虚假相关偏移的情况下性能显著下降。我们开源了基准测试的所有代码，希望 MetaCoCo 能促进未来在 SC-FSC 问题上的研究。
out-of-distributionfew-shot classificationcross-domainspurious-correlationmetacoco
发现论文，激发创造
  • OrCo：通过正交性和对比度实现更好的少样本类增量学习的泛化

    Few-Shot Class-Incremental Learning (FSCIL) introduces the OrCo framework, which addresses challenges of catastrophic forgetting and data limitations during incremental sessions through features' orthogonality and contrastive learning, resulting in state-of-the-art performance across benchmark datasets.

    Mar, 2024

  • 跨域少样本学习的深入研究

    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

  • 元学习的少样本单类别分类

    本研究提出了一种针对 few-shot one-class classification 问题的元学习算法，通过特定的采样策略在只有少量样本的情况下实现异常检测，并在实验中取得了良好的表现。

    Jul, 2020

  • 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

  • 无监督元学习：基于少量伪有监督对比学习

    本研究提出了一种名为 “Pseudo-supervised Contrast (PsCo)” 的无监督元学习框架，可以在少样本分类任务中改进伪标签并以渐进方式构建多样化的任务，实验证明该框架在各种领域和跨领域的少样本分类基准测试中表现优异。

    Mar, 2023

  • 跨领域少样本分类的解释引导训练

    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

  • 具有元相似性校正的嘈杂对应关系学习

    该论文提出了一种元相似性纠正网络（MSCN），通过元数据提供可靠的相似性打分，同时设计了数据净化策略来降低噪声影响，提高跨模态检索方法的性能。实验结果表明该方法在处理各种噪声数据集时具有优异的表现。

    Apr, 2023

  • 重新思考少样本 3D 点云语义分割

    该研究论文通过引入标准化的少样本点云语义分割设置和基于相关性优化的新模型 (COSeg)，解决了目前该领域面临的前景泄漏、稀疏点分布等问题，在流行数据集上的实验证明了 COSeg 相对于现有方法的优越性。

    Mar, 2024

  • 多样性与合作：针对少样本分类的集成方法

    本文提出在 few-shot classification 问题中采用深度神经网络集成来解决分类器高方差的问题，通过引入新策略鼓励网络相互合作来提高分类性能，实验结果表明该方法在 mini-ImageNet 和 CUB 数据集上显著优于当前的 meta-learning 技术。

    Mar, 2019

  • 设备上每类 12 毫焦耳的在线少样本分类 - 增量学习

    本研究介绍了一种在线少样本增量学习（O-FSCIL）方法，该方法通过使用预训练和元学习的特征提取器以及存储类别原型的可扩展显式内存，使机器学习系统能够仅使用少量标记示例来扩展其推理能力，同时不会忘记先前学习的类别。O-FSCIL 在 FSCIL CIFAR100 基准测试中获得了 68.62％的平均准确率，实现了最先进的结果。针对超低功耗平台，我们将 O-FSCIL 实现在 60 mW 的 GAP9 微控制器上，仅使用 12 mJ 的能量来展示在线学习能力。

    Mar, 2024