![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
跨域小样本学习
文章平均质量分 75
RitaRao
it is ok
展开
-
小样本学习论文阅读 | Confess: A framework for single source cross-domain few-shot learning, ICLR 2022 poster
本文提出了一个“对比学习和特征选择系统”(Comparative learning and Feature Selection System)的跨域小样本学习框架Confess,解决了基类和新类之间存在较大域偏移的问题。原创 2022-11-17 16:30:26 · 793 阅读 · 2 评论 -
元学习论文阅读 | CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification, CVPR2022
本文主要是参考FEAT的方法进行了进一步的扩展,提出CAD方法,利用了query的信息,并且对query同样进行了信息聚合来微调表示,取得的效果非常好。原创 2022-06-20 15:35:02 · 1154 阅读 · 3 评论 -
Dynamic Distillation Network for Cross-Domain Few-Shot Recognition with Unlabeled Data, NeurIPS 2021
本文基于动态蒸馏的方法,使用标记源数据和未标记目标数据来学习目标域上的更好表示。原创 2022-03-03 15:18:17 · 3182 阅读 · 1 评论 -
元学习论文解读 | Learning a Universal Template for Few-shot Dataset Generalization, ICML 2021
本文将FiLM用在批正则化层(可以理解成条件批正则化),跨不同的数据集联合训练特征提取器,也就是在数据集之间共享卷积层的参数,但为每个数据集分配一组特定的批量归一化参数。原创 2022-02-15 15:50:23 · 1725 阅读 · 0 评论 -
论文解读 | Negative Margin Matters: Understanding Margin in Few-shot Classification, ECCV2020 spotlight
本文第一次从理论和实验两方面证明带负margin的softmax损失在小样本分类中惊人地有效原创 2022-01-07 10:39:16 · 1038 阅读 · 5 评论 -
元学习论文解读 | Cross-Domain Few-shot Classification via Learned Feature-Wise Transformation, ICLR 2020
目录1. motivation2. contribution3. 问题定义4. Feature-wise transformation layer5. Learning the feature-wise transformation layer6. 实验部分7. 总结1. motivation虽然基于度量的元学习方法在解决小样本问题时性能良好,但由于特征分布在不同领域之间的巨大差异,这些方法往往无法推广到不可见的领域。2. contribution本文所提出的FW原创 2021-09-02 21:29:33 · 855 阅读 · 0 评论