![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
few shot learning
文章平均质量分 94
DeepWWJ
这个作者很懒,什么都没留下…
展开
-
跨域小样本---cross domain few shot---第二弹
简单来说就是在Few-shot Learning问题中加入了跨域问题,具体表现在:在一个数据集上进行Few-shot训练,完成后在另一个数据集Few-shot测试,两个数据集中没有相同的类别。Universal Representation Learning from Multiple Domains for Few-shot Classification (ICCV2021)问题: 现有解决方案首先会在多个数据集分别训练特征提取器,随后在测试阶段筛选或者融合来自不同提取器的特征,如下图(a)所示,但是原创 2022-05-19 19:18:28 · 5066 阅读 · 0 评论 -
跨域小样本---cross domain few shot---第一弹
cross domain Few-shot 存在问题域间类别不重合目标域时标签数据少存在域偏差A Broader Study of Cross-Domain Few-Shot Learning(ECCV 2020 link)提出了cross domain few-shot learning的标准,在miniImageNetminiImageNetminiImageNet上训练模型,随后采用N−way,K−shotN-way,K-shotN−way,K−shot的方式,迁移到目标数据集上。#.原创 2021-09-06 09:04:45 · 4599 阅读 · 0 评论 -
小样本语义分割
小样本学习旨在通过极少的样本来完成新类的识别,在深度学习中,如果类别有充足的标注样本,深度模型可以从海量的数据分布中抽取到准确的类别表达,随着标注数据量的减少,数据将不能涵盖类别的完整分布,深度模型的表达将逐渐下降。所以对于小样本学习而言,通过模型拟合数据的完整分布来达到识别是不切实际的,由此引出小样本学习的新范式----元学习、度量学习。所谓元学习就是需要模型具有“learning to learning”的能力,也可以理解为需要模型具有很强的迁移能力,只需要少量的样本就可以完成新类别的识别。而度量学习原创 2021-04-23 14:54:03 · 5458 阅读 · 2 评论 -
小样本中的自监督
When Does Self-supervision Improve Few-shot Learning?关键点:通过自监督构建多任务学习,能够提高模型提取语义特征的能力,有助于在新类上的识别。只有当无标签的数据与有标签的数据属于同一个域时,进行自监督才有效果,否则反而有害。基于此,设计了一个域选择分类器来对无标签的数据进行筛选使用了额外的无标签数据通过自监督构建辅助任务,将原先的单任务转化为多任务,通过几个损失共同反馈网络。Improving Few-Shot Learning with原创 2021-03-08 20:21:54 · 3764 阅读 · 3 评论 -
小样本中的图神经网络
FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORKS初始化节点特征将图片的视觉特征与类别标签拼接,对于查询集,类别标签初始化为零使用领接矩阵,建立节点联系完成GNN传递图传递完成后,使用Prototypical Networks完成分类...原创 2020-12-18 21:01:24 · 2660 阅读 · 3 评论 -
多模态小样本
Large-Scale Few-Shot Learning via Multi-Modal Knowledge Discovery(解决大类别下的小样本学习)关键点:视觉特征分块;语义弱监督的引入在视觉空间中,将图片分为三种,原始图片+前景图片+背景图片。其中前景背景是通过显著性检测得到。分别正对原始图片,前景图片,背景图片输入到对应网络中提取特征,将三个得到的特征拼接为一个视觉特征。构建每个类的语义弱监督。计算novel类与base类的相似性,选取最大的几个。损失函数:(1)$L原创 2020-12-18 19:31:39 · 3217 阅读 · 2 评论 -
小样本物体检测
Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector关键:提出了一个小样本数据集:数据集步骤:提取support img为一过滤特征使用support img的特征来过滤query img,最后将过滤后的特征输入RPN网络中RPN网络层的输出,会进行多头判断,使用全局信息检测,使用局部信息检测,一对多检测Attention-Based Region Proposal NetworkIncreme原创 2020-11-04 15:16:17 · 4403 阅读 · 0 评论 -
zero-shot:基于对抗生成网络的零样本学习
视觉空间与语义空间相互生成并利用循环一致损失Generative Dual Adversarial Network for Generalized Zero-shot LearningGenerative Model with Semantic Embedding and Integrated Classifier for Generalized Zero-Shot Learning...原创 2020-07-08 09:29:52 · 2100 阅读 · 7 评论 -
Zero-Shot 物体检测
有关零样本学习(zero-shot learning)的研究,已经在图像物体分类领域取得了一定成果。相比于分类任务而言,物体检测任务不仅需要识别物体,还需要对物体做出定位,问题更加复杂,但是有关物体检测的零样本学习研究却相对较少。这里记录两篇有关物体检测的零样本学习研究,如有错误请更正。原创 2020-07-08 09:28:52 · 3618 阅读 · 1 评论 -
最近Few-Shot Learning总结
看了几篇论文,感觉还是懵懵懂懂的。实在看不下去了,今晚就写一点东西,做个总结。以后翻出来看看~~觉得自己当初也是挺猛的!!Few-Shot Learning with Global Class Representations在文章中,作者将base和novel类放到一块进行训练提取特征。作者认为这样可以很好的拟合两种分布。同时在训练过程中对于novel类做了数据增强。模型的出发点在与使用所有...原创 2020-07-08 09:29:05 · 815 阅读 · 0 评论 -
Finding Task-Relevant Features for Few-Shot Learning by Category Traversal
动机当前的few-shot learning在学习过程中,并没有关注support set中类与类之间的关系。作者认为在一个support set中,如果能横穿整个support set观察所有特征,这对于最后结果的调整是很有帮助的,两个例子:对于上图来说,这是一个分类任务。具体步骤还是和metric learning一样,计算query 与support中每一个的距离,最后得到结果。(...原创 2019-12-21 20:29:42 · 1808 阅读 · 2 评论 -
Few-shot Object Detection via Feature Reweighting
Few-shot Object Detection via Feature Reweighting模型组成Feature ExtractorPrediction Layer训练策略摘要:这是ICCV2019的一片文章,主要是将Few-Shot Learning用于物体检测上面。其核心思是使用具有大量标签的base类训练一个特征调整模块,通过这个模块可以使用许多类的底层特征对需要检测图片的特征进行...原创 2019-12-21 16:01:53 · 3888 阅读 · 4 评论