abnormal + few-shot learning

已于 2022-09-20 13:55:19 修改
阅读量565 收藏 3
点赞数 1
分类专栏： few-shot + abnormal 文章标签： 机器学习
于 2022-04-15 23:29:22 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40926715/article/details/124205927
版权

最近调研小样本，元学习，异常检测： notes here

文章

ECCV20
算是第一篇 元学习和 异常检测的文章，本文就是把MAML结合异常检测
在这里插入图片描述
CVPR 21
视频异常检测和元学习。 结合了原型网络和MAML，采用原型+attention来增强表征学习，通过MAML更新梯度
在这里插入图片描述
arxiv， 投nips 没中。 采用原型网络来处理one-way classification。 可以类似异常检测。 提出一个null class 作为辅助类来学习
在这里插入图片描述
AAAI 21： 和上文都是one-way classification。本文是MAML的延伸，通过 采用一个类平衡的验证集来 调整梯度损失。同时本文 也说明OCC（one-class classification） 和异常检测的关系。
在这里插入图片描述
MICCAI 20
采用DIM的思想最大化互信息学的表征，采用类NCEloss来 正负样本拉推来检测异常
在这里插入图片描述
ICML 20
结合GNN 作为先验，原型网络，概率论 采样等
在这里插入图片描述
ICLR 20
ProtoNet+MAML结合，讲ProtoNet作为初始化head的参数，采用MAML框架
在这里插入图片描述
arxiv
是上一篇ICLR的扩展，引入一个新的 contextulized 的原型+ attention 来初始化头部参数
在这里插入图片描述

在这里插入图片描述
语言学的会
这篇文章是基于ProtoMAML。加了一个L2范数
在这里插入图片描述
NIPS 20
结合了ProNet+MAML
在这里插入图片描述
NIPS 21：
本文说是episode learning那种方法 对于度量元学习不ok
在这里插入图片描述

几篇综述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
一个不错的tutorial
在这里插入图片描述

Complicated__76
关注
专栏目录
cvpr2015papers
ZhangPY的专栏
03-02 8870
@http://www-cs-faculty.stanford.edu/people/karpathy/cvpr2015papers/ CVPR 2015 papers (in nicer format than this) maintained by @karpathy NEW: This year I also embedded the (1,2-gram) tfidf
MetaOD:通过元学习自动执行异常值检测（代码，API和贡献说明）
04-23
通过元学习（MetaOD）自动进行异常值检测 发展状况：从2020年9月26日起，MetaOD处于积极开发阶段，处于alpha阶段。 请关注，加注星标和获取最新更新！ 有关纸张的再现性，请参见paper_reproducibility文件夹以获取指导。 给定新数据集上的非监督离群值检测（OD）任务，我们如何自动选择一种好的离群值检测方法及其超参数（统称为模型）？ 到目前为止，OD的模型选择已经成为一种“妖术”。 因为缺少（i）带有标签的保留数据，以及（ii）通用目标函数，因此任何模型评估都不可行。 在这项工作中，我们开发了基于元学习的第一个原则性的数据驱动方法来为OD选择模型，称为MetaOD。 简而言之，MetaOD在广泛的OD基准数据集上进行了培训，以利用先前的经验，从而可以为看不见的数据集选择性能最佳的模型。 使用MetaOD很容易。 您可以传入一个数据集，MetaOD将为其返
异常检测阅读笔记《Learning Normal Dynamics in Videos with Meta Prototype Network》，元学习，内存网络
qq_45496282的博客
09-13 2187
《Learning Normal Dynamics in Videos with Meta Prototype Network》，CVPR2021 论文链接：https://arxiv.org/pdf/2104.06689.pdf 论文代码：https://github.com/ktr-hubrt/MPN/ 本篇关键词：dynamic prototype unit (DPU)，Meta-Prototype Unit (MPU)，meta-learning，few-shot，attention mechani
探索未来故障诊断新境界：元学习在小样本跨域诊断中的应用
最新发布
gitblog_00071的博客
06-26 419
探索未来故障诊断新境界：元学习在小样本跨域诊断中的应用 项目地址:https://gitcode.com/fyancy/MetaFD 在现代工业智能领域，如何快速且准确地对机械设备的罕见故障进行诊断是一个至关重要的挑战。为了应对这一挑战，元学习在故障诊断中的应用——一个名为Meta-Learning-in-Fault-Diagnosis的开源项目应运而生。该项目不仅提供了一套强大的工具集，更是通过...
机器学习笔记（十三）异常检测
weixin_43869415的博客
09-01 379
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录十三、异常检测（Density Estimation）13.1 异常检测13.2 高斯分布13.3 参数估计13.4 异常检测算法13.5 设计与评估异常检测系统13.6 异常检测与监督学习比较13.7 选择合适的特征13.8 多元高斯分布13.9 基于多元高斯分布的异常检测算法 十三、异常检测（Density Estimation） 13.1 异常检测 所谓异常检测就是发现与大部分对象不同的对象，其实就是发现离群点,异常检测有
学习异常检测
pingguolou的博客
04-30 494
异常检测：将正常数据建模，正常数据以外的都是异常数据 常用方法：AE，统计模型，ocsvm,svdd 存在问题：不能发现新的正常数据，即新的正常数据会被分为异常（假阳率，误报） 滥用检测：将异常数据建模，异常数据以外的都是正常数据 常用方法：数据挖掘（关联规则、序列规则），专家系统、模式匹配 存在问题：不能发现新的异常数据，即新的异常数据会被分类为正常（假阴律，漏报） 同时...
多类别不平衡分类-解决方案：概述【集成学习、数据重采样、深度学习(元学习)、异常检测】
u013250861的博客
04-04 682
类别不平衡（又称长尾问题）是指在分类问题中，类别之间的表示质量/样本数量不平等。类别不平衡在实践中广泛存在，例如金融欺诈检测、入侵检测、医疗辅助诊断等罕见模式识别任务。类的不平衡往往会导致传统机器学习算法的预测性能下降。类别不平衡学习旨在解决这一问题，即从不平衡的数据中学习一个无偏的预测模型。imbalanced-ensemble [Github][Documentation][Gallery][Paper]imbalanced-learn [Github][Documentation][Paper]smo
PromptAD: Learning Prompts with only Normal Samples for Few-Shot Anomaly Detection CVPR2024
qq_45844265的博客
04-18 1062
从数据集的异常标签中生成异常后缀，如[ ] with color stain，[ ] with crack等，然后将这些文本与NP进行拼接，得到人工异常提示。像素级对比实验结果记录在下表中。因此本文提出SC模型，即文本语义串联，是将正常提示加入异常前缀或者后缀构造成为异常提示，从而从正常提示样本来构造足够多的异常提示样本，这些异常提示用来在单分类问题中进行训练。PromptAD与一些多样本设置下的方法相比，取得了更好的图像级结果，像素级结果也具有竞争力，充分验证了PromptAD在少样本情景下的性能。
java alan liu_2020 IJCAI 接受论文 list 分类排列（一）
weixin_35657239的博客
02-23 687
A 3D Convolutional Approach to Spectral Object Segmentation in Space and TimeElena Burceanu, Marius LeordeanuA Graph-based Interactive Reasoning for Human-Object Interaction DetectionDongming Yang, Yu...
c++编程思想-第2章 对象的创建与使用-2
Jake2549794390的博客
03-06 9111
#include #include #include #include using namespace std; int main() {     //cout     // 1.     string word;     ifstream in("HarryPotter.txt");     while (in >> word)//每次读取输入的一
Demystifying Object Detection: An In-depth Analysis of OpenCV Object Detection Algorithms, from Haar...
# Demystifying Object Detection: A Comprehensive Analysis of OpenCV Object Detection Algorithms, from Haar Cascades to YOLO # 1. Object Detection Overview Object detection is a crucial task in ...
Few-shot Learning survey-详细易懂-小样本综述
mohong96的博客
10-23 4272
目 录 1. 半监督学习 semi-supervised learning 3 1.1 基本概念 3 1.2 半监督学习的应用 4 1.3 半监督学习方法结构 5 1.4 半监督深度学习 6 2. 主动学习（Active Learning） 7 2.1 基本概念 7 2.2 应用领域以及场景 7 2.3 研究现状...
Few-Shot Scene-Adaptive Anomaly Detection 少镜头场景的自适应异常检测
唐人的博客
04-12 1770
摘要 我们解决了视频中的异常检测问题。目标是通过专门从正常视频中学习来自动识别异常行为。大多数现有方法通常需要大量数据，并且泛化能力有限。他们通常需要在目标场景的大量视频上进行训练，才能在该场景中取得良好的效果。在本文中，我们提出了一个新的少镜头场景自适应异常检测问题，以解决以往方法的局限性。我们的目标是学会在以前看不见的只有几帧的场景中检测异常。这个新问题的可靠解决方案在现实世界的应用中将有巨大的潜力，因为为每个目标场景收集大量数据是昂贵的。我们提出了一种基于元学习的方法来解决这个新问题；大量实验结果证
小样本中的episode（Episodic Training）
weixin_44295084的博客
09-01 8726
参考文章1. 参考文章2. 小样本学习中，有一种方法叫做Meta-Learning，其训练过程包括：Meta-training 和 Meta-testing。 在Meta-Learning中原始数据要经过特殊的处理，在Meta-training 和 Meta-testing过程中都会用的Support set 和Query set。 先在Testing data中选择几个类，每个类别都包括很多样本，然后从选择的每个类中选出k+x个样本，其中k个样本用作support set，x个样本被用作query set
【论文理解】On Episodes, Prototypical Networks, and Few-shot Learning
lijianyi0219的博客
12-23 2825
内容概览前言一、Episodic learning缺点缺点1：样本采样受限缺点2：忽略了大量“关系”二、Neighbourhood Component Analysis (NCA)方法NCA算法NCA替代episodic的优势三、少样本分类四、实验结果度量分类方式对比训练样本采样方式对结果的影响episode超参数对结果的影响和其他FSL算法对比总结 前言 这是2020年NeurIPS的meta-learning workshop中的一篇oral presentatinon，论文代码被作者放在了githu
异常检测 | 用于无监督异常检测的自监督学习适应性记忆网络
LiRongLu_的博客
02-24 2491
关于Adaptive Memory Networks with Self-supervised Learning for Unsupervised Anomaly Detection论文学习 Two critical challenges（两个关键挑战）：数据源限制和特征表达限制。这两个关键挑战使得无监督异常检测方法的泛化（机器学习算法对新鲜样本的适应能力）能力有限。 数据源限制：在训练数据集中只包含正常数据，相比于未知的测试数据，训练数据的类别是有限的，使得模型在训练过程中容易....
CVPR 2021 | 又好又快的视频异常检测，引入元学习的动态原型学习组件
我爱计算机视觉
04-29 2372
Learning Normal Dynamics in Videos with Meta Prototype Network作者：Hui lv, Chen Chen, Zhen Cui, ...
元学习—半监督原型网络
hei653779919的博客
10-08 2116
元学习—半监督原型网络 本文主要参考文献META-LEARNING FOR SEMI-SUPERVISED FEW-SHOT CLASSIFICATION，有兴趣的读者可以参考该文献。 1 介绍 大量的可用数据可以使得深度学习模型在很多人工智能任务上取得非常不错的效果。例如，语音识别，物体识别，和机器翻译等等。然而，当前的深度学习方法面临着数据缺少的问题。具体的，当前的多数方法都擅长处理拥有大量数据的单个任务。这些方法能够利用仅仅缺少一点标签的数据来处理大量的任务。另外一个方面，人类很容易去学习到一个新的类
浅理解小样本学习：原型网络
codeshits的博客
05-23 3084
简单的介绍了小样本学习的背景，然后介绍了一部分原型网络论文的内容。
unpack-objects abnormal exit
05-21
"unpack-objects abnormal exit" 是 Git 中的一个错误提示，通常出现在执行 git pull 或 git clone 等命令时。它表示 Git 在尝试解压缩某些文件时出现了错误，可能是由于网络问题或存储设备问题引起的。 为了解决这...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值