DMSD-CDFSAR:混合源领域蒸馏用于跨领域少样本动作识别
本文提出了一种名为双域LSTM(DDLSTM)的神经网络结构,通过交叉污染批量归一化方法,旨在解决卷积网络和循环神经网络在领域对齐中存在的问题,在多个数据集上进行了帧级行为识别的实验,结果表明DDLSTM优于标准、微调、批量规范化的LSTM。
Apr, 2019
本研究针对跨域few-shot识别存在的问题,提出了一种动态蒸馏方法来实现无标注的图像分类,并通过弱强增强版本的预测结果进行匹配,使得网络可以轻松地适应目标域,达到4.4%的1-shot和3.6%的5-shot分类性能提升。
Jun, 2021
本文提出了一种新的元-混合网络,提出了利用少量标记目标数据来指导模型学习的想法,通过重新提出并将混合模块集成到元学习机制中,以及通过提出新的解缠模块和域分类器来提取解缠的领域无关和领域特定特征的方法,实现了缩小域差距的目的,从而使模型能够很好地推广到目标数据集。
Jul, 2021
设计了一个针对视频数据的统一框架,同时规范化跨模态和跨领域特征表示,通过对UCF、HMDB和EPIC-Kitchens等领域适应性行动识别基准数据集的实验,证明了方法的有效性。
Aug, 2021
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
我们通过在训练阶段让目标领域中的一小部分无标签图像可访问,解决基于跨域few-shot分类的问题,同时通过指导网络的浅层学习更高级别的信息的跨层级知识蒸馏方法提取更有区分度的特征,以及通过特征去噪操作减少特征冗余并减轻过拟合,我们的方法在BSCD-FSL基准测试中平均超过了先前的最优方法Dynamic-Distillation在1-shot和5-shot分类任务上分别提升了5.44%和1.37%。
Nov, 2023
我们提出了一种多模态实例细化(MMIR)方法,通过强化学习来减轻负迁移,该方法在双模态中训练了一个强化学习代理,在每个领域中选择出负样本以精炼训练数据。我们的方法在基准EPIC-Kitchens数据集上表现优于其他几种最先进的基线方法,证明了MMIR在减少负迁移方面的优势。
Nov, 2023
我们提出了DITeD,或称为领域不变的时间动力学,在有限的样本和分布偏移的情况下,通过快速适应预训练模型来识别和利用预训练模型学到的可转移知识,其中关键挑战是如何识别和利用潜在变量之间的时间不变性(领域不变性)进行知识转移。
Feb, 2024
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
本研究在跨领域少样本动作识别问题中,通过系统性评估已有的单领域、基于迁移的和跨领域方法,发现领域差异与性能之间存在相关性,揭示了一些对CD-FSAR方法有效的模型方面,以及需要进一步发展的方面,希望这些洞见能够激发和指导未来在这些方向上的研究工作。
Jun, 2024