关键词classification benchmarks
搜索结果 - 7
- 自学开放世界类的鲁棒半监督学习
提出了一种用于自学习开放世界类别(SSOC)的开放世界半监督学习方法,该方法可以明确地自学习多个未知类别,并通过与熵损失的结合设计了成对相似性损失来有效发现新类别,实验证明其在多个常见分类基准测试中优于现有最先进基线方法,特别是在 Imag - 让学生决策的知识蒸馏层
通过引入可学习的 KD 层和模板学习方法,我们提出一种新的知识蒸馏技术,实现了对学生模型在中间层中进行特征变换的显式控制,并在多个分类基准测试中验证了其有效性。
- 使用熵对抗数据增强来超越偏见
该论文提出了一种对抗性数据增强的训练方案,以消除分类中的捷径,提高深度神经网络的鲁棒性,并在分类基准测试中取得了竞争力的结果。
- 优化 Top-k 曲线下面积的部分:理论与实践
本文提出了一种新的度量标准,名为 partial AUTKC,可以更好地区分不同分类。同时,论文还提出了一种用于优化该度量标准的框架,并在四个基准数据集上进行了实验证明其有效性。
- AAAI自适应 Poincaré 距离点集用于少样本分类
本文提出了一种上下文感知的双曲度量学习方法,可用于 few-shot learning 任务,并且在多个分类基准上的实验结果表明这种方法不仅具有鲁棒性,而且表现优于基线模型。
- 负边界很重要:理解少样本分类中的边界
本文介绍一种负边距损失函数用于基于度量学习的 few-shot 学习方法,该方法显著优于常规 softmax 损失函数,并在三个标准 few-shot 分类基准上取得了最新的最高准确度。通过实现和理论分析,发现尽管负边距会降低训练班级的发散 - NIPS随机变分深层核学习
本研究提出一种新的深度内核学习方法和随机变分推断程序,利用加性基础内核方法将子集的输出特征整合入深度神经网络以提高分类性能,并比较了该方法与深度神经网络、SVM 和基于高斯过程的方法在多个分类基准测试中的性能。