Multi-Scale Metric Learning for Few-Shot Learning论文阅读笔记

最新推荐文章于 2024-04-15 14:18:24 发布
最新推荐文章于 2024-04-15 14:18:24 发布
阅读量319 收藏 2
点赞数
文章标签： python
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_50923080/article/details/124209882
版权
本文介绍了MSML方法，一种用于提升同类样本接近度和异类样本分离性的多尺度度量学习技术。通过构建特征金字塔结构，结合高层语义和低层视觉特征，提出类内和类间关系损失函数，以及多尺度关系生成网络。模型包括特征编码器和多尺度特征映射联合模块，将K-shot问题转化为1-shot，减少计算复杂度。此外，利用不同尺度特征的大致和精细信息，调整网络深度。损失函数由类内、类间关系损失及预测损失组成，确保有效学习。
摘要由CSDN通过智能技术生成

提出MSML多尺度度量学习方法，用于提取多尺度特征。使得同类样本更接近，异类样本更分离。故提出了类内和类间两种损失函数。

度量学习分为 特征提取和样本间距离关系 两种。

贡献：1、提出了新的多尺度度量学习方法

2、该模型中引入了特征金字塔结构，结合了高层语义特征和低层视觉特征

3、提出多尺度关系生成网络，多尺度特征map用于生成样本之间的关系

4、提出新的损失函数，称为类内和类间关系损失

特征编码器可以提取三种不同尺度的特征，可获得多尺度特征图。多尺度特征组合模型将从支持集和查询集提取的多尺度特征图组合成多尺度特征图对。

多尺度度量学习模型由三部分组成，特征编码器 + 多尺度特征映射联合

多尺度特征映射联合模块：

对于C-way K-shot模型而言，将同类中的k个样本进行加权平均，得到一个平均样本，即把k shot转化为1 shot模型。本来有(CxK)x(CxN)对特征映射，最终转换为(Cx1)x(CxN）=Cx(CxN)个特征对，作为下一个关系生成网络的输入。

多尺度特征映射联合模块：

对于C-way K-shot模型而言，将同类中的k个样本进行加权平均，得到一个平均样本，即把k shot转化为1 shot模型。本来有(CxK)x(CxN)对特征映射，最终转换为(Cx1)x(CxN）=Cx(CxN)个特征对，作为下一个关系生成网络的输入。

多尺度关系生成网络：

尺度越

最低0.47元/天 解锁文章
qq_50923080
关注
Few-shot learning
EmoC的博客
11-14 391
Generals为什么一个概率分布的entropy的mean需要足够小？2 branchProcess数据gradients为什么AirDet 不需要 fine tune?为什么要fine tune?SCS module 是怎么从cross-scale relations里提取multi-scale feature的？组成用处class prototype 用在head哪里？怎么通过multi-shot support feature 得到class prototype。
【论文阅读笔记】NeurIPS2020文章列表Part2
zincrain的博客
12-09 5973
Online Multitask Learning with Long-Term Memory Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer Proxies Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting On Reward-Free Reinforcement Learning with Linear Function A.
M2L:该存储库是论文“用于少量拍摄图像识别的多级度量学习”的代码
05-16
多级度量学习用于少量图像识别 该代码实现了针对少量镜头图像识别（M2L）的多级度量学习。 引文 如果您发现我们的工作有用，请考虑使用bibtex引用我们的工作： @Article{chen2021multi, author = {Chen, Haoxing and Li, Huaxiong and Li, Yaohui and Chen, Chunlin}, title = {Multi-level Metric Learning for Few-Shot Image Recognition}, journal = {arXiv preprint arXiv:2103.11383}, year = {2021}, } 先决条件 Linux Python 3.7 火炬1.0+ GPU + CUDA CuDNN 枕头，火炬视觉，scipy，麻木 数据集 数据集下
Multi-Scale Metric Learning for Few-Shot Learning(用于小样本学习的多尺度度量学习)
breeze21的博客
10-04 3931
Abstract 本文提出了一种新的小样本学习方法，名字叫多尺度度量学习(multi-scale metric learning, MSML)，能提取多尺度特征，学习样本间的多尺度关系，进行少镜头学习分类。提出了一种基于特征金字塔结构的多尺度特征嵌入方法，旨在将高级(high-level)语义特征与低级丰富的视觉特征相结合。在此基础上，提出了一种用于层次(hierarchical)度量学习的多尺度关系生成网络(MRGN)，其中高级特征对应于深度(deeper)度量学习，低级特征对应于较轻(lighter)度
具有多尺度相关性的深度多模态度量学习，用于图像-文本检索
03-15
具有多尺度相关性的深度多模态度量学习，用于图像-文本检索
多尺度学习——SSD算法
weixin_45134407的博客
04-12 1432
目标检测算法分为两类 1、two-stage检测算法： 将检测问题分为两个阶段，首先产生候选区(region proposals),然后对候选区域进行分类。 eg：Fast R-CNN、Faster R-CNN 优点：识别错误率低，漏识别率也较低。 缺点：速度慢 算法需要完成4个任务： （1）特征抽取 （2）生成RP （3）分类 （4）定位回归 2、one-stage检测算法： 不需要region...
深度学习中 多尺度、多粒度 理解
ZhengrongYue的博客
08-23 9820
深度学习中 多尺度、多粒度 理解
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
Label 相关论文汇总
weixin_45807767的博客
11-23 1417
Label相关的论文汇总
Multi-level semantic adaptation for few-shot segmentation on cardiac image sequences
qq_41322802的博客
09-12 227
0.基础知识点介绍 few-shot / one-shot segmentation 小样本学习 利用很少的 support set（其中few 代表很少的数据 one 好像是真的是用了一张带有标签的数据进行训练然后在尝试进行分割例如（One-Shot Learning for Semantic Segmentation，相应 k-shot 对应的就是k张图片和）） 进行学习来对query set上的目标结果进行分割。 实现方法： 其实很自然的就可以想到通过对于一个预训练模型（pre-trained
多尺度深度学习——day52 基于领导者的多尺度注意力深度人物再识别架构
想太多的学习日志
11-01 588
在本文中，受人类认知过程的启发，我们提出了一种新的深层结构——MuDeep。与以前的re-id方法不同，MuDeep利用了从多个尺度中提取的人的特征。此外，还提出了一种新的基于领导者的注意学习层，利用所有信息作为领导者，动态地指导每个特定规模数据流的重要区域的分析。在几个基准测试上的大量实验表明，我们的模型达到了最先进的性能。最后，我们考虑了一个更现实的域泛化设置。我们表明，在这种设置下，我们的模型比最先进的替代方案的优势甚至更加明显。这表明，使用MuDeep提取的多尺度特征更适用于新的领域。
【论文翻译】Many-Class Few-Shot Learning on Multi-Granularity Class Hierarchy
小张好难瘦的博客
04-13 1220
Many-Class Few-Shot Learning on Multi-Granularity Class Hierarchy 多粒度类层次上的多类少样本学习 摘要 We study many-class few-shot (MCFS) problem in both supervised learning and meta-learning settings. Compared to the well-studied many-class many-shot and few-class few-s
论文解读：Deep Metric Learning for Few-Shot Image Classification: A Review of Recent Developments
最新发布
weixin_50917576的博客
04-15 2054
少样本图像分类是一个具有挑战性的问题，其目的是仅基于少量的训练图像就能达到人类的识别水平。在本文中，我们回顾了2018年至2022年深度度量学习方法在少样本图像分类中的最新进展，并根据度量学习的三个阶段，即学习特征嵌入、学习类表示和学习距离度量，将它们分为三组。通过这种分类法，我们确定了不同方法的新颖性及其面临的问题。最后，我们对当前的挑战和未来的趋势进行了讨论。
【机器学习】详解 ArcFace
闻韶
05-25 2万+
详解 ArcFace
Multi-branch and Multi-scale Attention Learning for Fine-Grained Visual Categorization 论文学习
calvinpaean的博客
04-03 2815
Abstract ILSVRC（ImageNet大规模视觉识别挑战赛）是计算机视觉领域最权威的学术竞赛之一。直接将 ILSVRC 每年的冠军方案应用在细粒度视觉分类（FGVC）任务上无法取得很好的表现。对于 FGVC 任务而言，类间差异小而类内差异大的特点使这个问题变得很有挑战性。本文的注意力目标定位模块（AOLM）可以预测目标的位置，注意力局部提议模块（APPM）可以发现信息丰富的局部区域，无需边框或部分标注信息的帮助。得到的目标图像不仅包含目标的全部结构，也包含更多的细节信息，局部图像有多个不同的尺度和
基于度量metric学习的few-shot learning
weixin_42486554的博客
03-03 829
本文主要看了四种网络，分别为孪生网络、匹配网络、原型网络和关系网络，对这四个网络进行简要的介绍，详细可看原文。 Siamese Neural Networks for One-shot Image Recognition Matching Networks for One Shot Learning Prototypical Networks for Few-shot Learning Learning to Compare: Relation Network for Few-Shot Learning
Learning to Compare: Relation Network for Few-Shot Learning. （学习比较：用于few-shot learning 的关系网络）
CaoChengtai的博客
07-02 3623
目录1. 摘要2. 介绍3. 相关工作4. 方法论4.1 问题定义4.2 模型5. 其他6. 论文链接 1. 摘要 文章提出了一种概念上简单、灵活、通用的框架用于 few-shot learning 问题。few-shot learning 问题需要分类器必须在每个新类只给出几个样本情况下识别新的类（新的类是指在训练阶段没有见过的类）。文章提出了网络叫做 — 关系网络（Relation Netwo...
NeurIPS 2019 少样本学习研究亮点全解析
喜欢打酱油的老鸟
01-01 1957
作者：Angulia Chao 编辑：Joni Zhong 少样本学习（Few-Shot Learning）是近两年来非常有研究潜力的一个子方向，由于深度学习在各学科交叉研究与商业场景都有比较普遍的应用，然而训练出高精度模型的情况大部分来源于充足的训练数据，这一条件在很多实际应用场景中是比较难以满足的，同时刻意收集大量数据并且进行人为标记也对应较大的付出。 针对此类痛点，少样本学习被提出...
few-shot-learning
05-21
Few-shot learning refers to the ability of a machine learning model to learn new concepts or tasks with only a few examples, typically much fewer than what is required for traditional learning algorithms. This is particularly useful in scenarios where data is scarce or expensive to obtain. Few-shot learning algorithms often rely on techniques such as transfer learning, meta-learning, and metric learning to generalize from a small number of examples and make accurate predictions. Few-shot learning has applications in various fields, including computer vision, natural language processing, and robotics.
评论
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