关键词cross-domain few-shot classification
搜索结果 - 7
- MOKD: 通过最大化优化的核依赖进行跨域微调的少样本分类
在跨领域少样本分类中,本文通过学习表示来构建度量空间,以测量样本和每个类别原型之间的相似性,并通过双层优化框架提出了一种最大化优化核依赖性(MOKD)的方法,以学习与给定任务标记数据指示的聚类结构相匹配的一组类别特定表示。
- CVPR基于判别示例引导和参数高效的特征空间适应的跨领域少样本学习
本文研究跨领域少样本分类,通过引入轻量级参数适配策略和方差感知损失函数来提高模型性能,在 Meta-Dataset 基准测试中,相较于现有方法,准确率分别提高了 7.7% 和 5.3%,且参数效率至少提高 3 倍,达到了新的国际水平。
- 多层感知器优化跨领域少样本分类
使用多层感知器(MLP)解决跨领域少样本分类(CDFSC)的挑战,发现 MLP 可以显著提高判别能力和减轻分布偏移,与其他先进的 CDFSC 算法相比,显示出更好的性能。
- 自适应参数原型学习用于跨领域少样本分类
开发了一种新颖的适应性参数原型学习(APPL)方法,应用于跨领域少样本分类任务,在元学习的框架下,通过对查询集进行基于原型的正则化来元学习模型,并采用加权移动平均自训练方法在目标领域进行传导式微调,实验证明 APPL 在多个跨领域少样本数据 - 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。
- CVPR具有任务特定适配器的跨域少样本学习
该论文提出了一种直接在少量支持集上学习任务特定权重的方法,通过使用残差连接和矩阵形式的参数适配器,能够显著提高最先进的 Meta-Dataset 基准模型的性能。
- 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