自我监督和少样本学习在稳健生物气溶胶监测中的应用

MMJun, 2024

自我监督和少样本学习在稳健生物气溶胶监测中的应用

Self-Supervised and Few-Shot Learning for Robust Bioaerosol Monitoring

Adrian Willi, Pascal Baumann, Sophie Erb, Fabian Gröger, Yanick Zeder...

TL;DR实时生物气溶胶监测利用自监督学习和少样本学习，通过大量未标记数据和很少的样本来分类全息图像，从而优化监测工作流程并减少模型适应不同情况所需的努力。

Abstract

real-time bioaerosol monitoring is improving the quality of life for people affected by allergies, but it often relies on deep-learning models which pose challenges for widespread adoption. These models are typic

real-time bioaerosol monitoring deep-learning models self-supervised learning few-shot learning classification

发现论文，激发创造

通过自监督来增强少样本视觉学习

本文提出一种通过自我监督来改善少样本学习的方法，使特征提取器可以在使用少量带注释样本的同时学习更丰富和更具可转移性的视觉表征，该方法可以自然地扩展到从其他数据集中使用多样化的带标签数据的情况，并在各种架构，数据集和自我监督技术上实现了始终如一的改进。

Jun, 2019

关于大规模自供训练方法在少样本语音分类中的可迁移性

近年来，自监督学习因其能够从无标签数据中学习出鲁棒特征表示而取得了优异结果。本研究评估了大规模自监督模型在少样本音频分类中的性能，并探讨了模型的少样本学习能力与其他下游任务基准的关系，发现在某些少样本问题（如 SpeechCommandsv2）中具有最先进的性能，并且语音为基础的少样本问题与各种下游音频任务之间存在强相关性。

Feb, 2024

自监督和少样本目标检测综述

本文综述了近期研究的少样本和自监督目标检测方法，并提出了研究中的主要收获和未来方向。

Oct, 2021

聚焦正面：自监督学习用于生物多样性监测

利用静态监控相机捕获的图像集合中的自然变化和上下文数据来学习无标签图像集合的自我监督表示，通过在训练时识别高概率正面对，即可能描述相同视觉概念的图像，可以获得出色的下游超级分类性能。

Aug, 2021

自监督类感知几 - shot 分类

本研究使用无标签数据进行自我监督的预训练，通过迭代聚类和重新排序，并通过扩展对比优化损失来纳入类别层次意识，以在下游分类任务中进行少样本微调。实验证明，该方法在标准和跨域场景下的性能均优于其他方法，并取得了最新的表现。

Feb, 2022

无监督自监督训练的小样本学习

本研究提出了一种基于自监督训练（UFLST）的无监督少样本学习方法，使用渐进聚类和情节训练进行训练以进一步优化数据的特征表示，并证明了该模型在几个基准数据集中的良好性能，包括 Omniglot 和 Mini-ImageNet。

Dec, 2019

自监督知识蒸馏用于少样本学习

该论文提出了一种两阶段的学习方法，通过最大化特征嵌入的熵来创造一个最佳输出流形，并通过自我监督的双胞胎约束流形，最小化特征嵌入的熵来提高深度神经网络在少样本学习任务中的表示能力。

Jun, 2020

多任务学习：从多个合成任务中学习医学异常定位

针对现实场景中实际应用领域不断增多的无泛化的外部分布，我们的新方法利用多个可视化的、不同的、合成异常学习任务进行训练和验证，从而增强了样本的鲁棒性和泛化性，实现了对基于脑部 MRI 和胸部 X 射线的最新方法的超越。

Jul, 2023

点云上的自监督少样本学习

该论文提出了两种新型的自监督预训练方法，利用覆盖树对点云进行分层划分，从而避免手动注释点云所导致的困难；并针对少样本学习设置，让学习网络对支持集的点云嵌入进行预训练。实验表明，利用该自监督学习方法预训练的有监督方法显著提高了目前最先进方法的准确性，并且该方法在下游的分类任务中也优于先前的无监督方法。

Sep, 2020

无监督学习在少样本图像分类中的应用

本研究提出了一种自我监督学习的方法，以训练更通用的嵌入网络，可以在少样本的情况下实现更好的图像分类性能，即使在跨域情况下也表现出一定的鲁棒性。

Nov, 2019