- 原型 Transformer 作为统一运动学习器
通过 Prototypical Transformer(ProtoFormer)框架,本研究从原型视角途径多种动作任务。ProtoFormer 通过深思熟虑地考虑动作动态性引入了原型学习与 Transformer 的完美结合。交叉注意力原型 - EPL:深度人脸识别的实证原型学习
在这篇论文中,我们将原型学习定义为每个类别中样本特征的期望,并使用数据集中的现有样本设计经验性原型。然后,我们提出了一种自适应更新经验性原型的策略,该策略基于样本特征与经验性原型之间的相似性。此外,我们提出了一种经验性原型学习(EPL)方法 - 混合原型一致性学习用于半监督医学图像分割
通过混合原型一致性学习(MPCL)框架,我们提出了一种解决医学图像分割中标记数据稀缺性带来的原型表达不完整的问题的方法。在该框架中,平均教师生成标记和未标记数据的原型,而辅助网络通过 CutMix 处理混合数据产生额外的原型。通过原型融合, - 驯服异构数据领域中联邦原型学习中的跨领域表示变异
FedPLVM 通过引入方差感知的双层原型聚类和一种新颖的 α- 稀疏原型损失,解决交叉域特征表示的差异性,从而提高模型的泛化能力。在 Digit-5、Office-10 和 DomainNet 数据集上的评估显示了我们方法的优势。
- ROG$_{PL}$:基于区域原型学习的健壮开放集图学习
基于原型学习的 ROG$_{PL}$ 统一框架用于解决复杂嘈杂图数据中的鲁棒开放集节点分类问题。该框架包括通过标签传播去噪和通过区域学习开放集原型两个模块,以解决噪声引起的类内差异问题和类间混淆问题。
- 利用预训练自编码器实现可解释的音乐音频原型学习
我们提出了一种基于原型学习的可解释音乐音频分类模型 PECMAE。我们的模型基于之前的方法 APNet,它共同学习了自编码器和原型网络。与此不同,我们提出将两个训练过程解耦。这使我们能够利用在更大数据上预训练的自监督自编码器 EnCodec - 原型引导变换器的联邦类增量学习
PloRA 是一种简单而有效的方法,在低通信成本下解决了灾难性遗忘和数据异质性问题,在原型学习和精炼模型方面的优化使其在各种场景和程度的数据异质性中表现出强大的鲁棒性和优越性。
- 通过特征激活增强和正交原型学习实现开放式手势识别
该论文提出了基于表面肌电图的开放集手势识别方法,通过特征激活水平和投影不一致性识别已知和未知手势,达到了准确的闭集分类和有效的未知手势拒识。
- 通过联合消息传递和基于原型的软标签传播实现稳健的传导式少样本学习
该论文提出了一种名为原型软标签传播(PSLP)的高效且稳健的传导式少样本学习方法,通过集成原型学习和标签传播方法,并利用新的联合消息传递方案学习样本表示和关系图,实现了对新类别的泛化能力。
- 深度学习用于可解释的自然语言处理
利用原型学习方法和自然语言处理,我们提出了一种学习加权相似度度量的方法,增强了相似度计算,并提出了一个可提取预测相关单词的解释机制来改进预测性能和解释质量。
- EMNLPRAPL:一种面向少样本文档级关系抽取的关系感知原型学习方法
本文提出了一种关系感知的原型学习方法,通过巧妙利用关系描述和真实的任务特定的 NOTA 实例来有效地改进关系原型并生成任务特定的 NOTA 原型,实验证明该方法在两个 FSDLRE 基准测试的各种设置中比最先进的方法平均提升了 2.61% - 跨批次度量学习实现通用嵌入
通过将全局平均池化 (GAP) 解释为可学习原型的凸组合,我们将深度度量学习 (DML) 中通常作为一种将重要性归因于不同语义实体的特征向量汇总方法的有效性,转化为了学习可用于表示未见类别的可推广实体的算法。同时,我们探究了两批次间彼此分离 - 对于全幅图像分类,重新考虑多实例学习:你只需要一个良好的实例分类器
本文提出了一种基于对比学习和原型学习的实例级 MIL 框架,旨在有效完成实例分类和包分类任务,并提出了通过原型学习生成精确伪标签的方法。在四个数据集上的广泛实验和可视化证明了我们方法的强大性能。
- ProtoDiffusion: 基于原型学习的无分类器扩散引导
本研究中,我们将原型学习引入扩散模型中,以实现比原始扩散模型更快的高生成质量,并在各种数据集和实验环境中展示 ProtoDiffusion 的表现,达到所有设置中更短的时间内最佳性能。
- 通过改进的原型学习实现开放集 RF 指纹识别
本文研究了利用深度学习进行射频指纹识别的方法,提出了一种改进的原型学习方法,包括基于一致性的正则化和在线标签平滑技术,可以显著提高未知设备的开放式射频指纹识别性能。
- 压缩型原型重放用于类别增量学习
本文提出 YONO 方法,即每类只需要回放一个压缩的原型,它可以比代价高的示例回放方法表现得更好,并将样本移至原型以形成与其他类别远离的紧凑集群,通过增加类别间距以有效减少干扰造成的遗忘。进一步,将 YONO 扩展为 YONO +,通过在表 - 可训练原型增强的多示例学习用于全切片图像分类
该研究论文提出了一种基于原型学习和多实例学习的 Trainable Prototype enhanced deep MIL (TPMIL) 框架,用于弱监督下的 WSI 分类,其不需要依赖于选定的图像补丁,能够更准确地识别肿瘤亚型。
- 通过判别类原型学习的开放世界物体检测
基于原型学习的开放世界目标检测方法 OCPL,包括 PEA、ESC、CSC 三个模块,用于学习已知类别的鉴别性嵌入以区分已知和未知类别,相关实验结果验证了该方法的有效性。
- 长尾细粒度皮肤病变图像的 外分布检测
本文提出了一种更有效的方法以提高对样本外(未知皮肤病变和条件)样本的检测性能,同时维持所知皮肤病变种类的多类分类准确性,并针对长尾和细粒度的 OOD 检测任务构建了一个适当的模型。
- IJCAI原型之外:分治代理器实现少样本分割
该论文提出了一种名为 divide-and-conquer proxies(DCP)的简单而通用的框架,其中包含了自我推理方案,有效的遮蔽平均池化操作和并行解码器结构,旨在对给定手掌标注样本的未见类对象进行分割,且能够优于现有的原型学习方法