基于度量的元学习
文章平均质量分 78
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 · 814 阅读 · 2 评论 -
小样本元学习论文阅读 | Few-shot Learning with Noisy Labels, Facebook, CVPR2022
针对noisy few-shot learning问题,提出一个新的transformer架构——TraNFS,用于聚合支持集样本特征得到类的原型,另一方面判断样本标签是否正确;方法通常假定支持集是干净的,也就是样本标记是准确的。存在噪声的情况下,很容易想到用中值作为均值的替代方案。原创 2022-11-10 20:06:18 · 985 阅读 · 0 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 · 1165 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 · 3187 阅读 · 1 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 · 1053 阅读 · 5 评论 -
元学习论文解读 | XtarNet: Learning to Extract Task-Adaptive Representation for Incremental FSL, ICML 2020
motivation本文关注的是增量小样本学习问题,希望从新的经验中获取新的知识,并将其与从先前经验中获得的先前知识相融合。contribution本文提出了XtarNet,它学习提取任务自适应表示(Task-Adaptive Representation, TAR)。给定一个新任务,从元训练模块中提取的新特征与从预训练模型中获得的基本特征混合作为TAR,那么TAR就包含对新类别和基本类别进行分类的有效信息。利用TAR对base & novel classifiers进行调制以适应给定的原创 2021-09-14 14:29:33 · 464 阅读 · 0 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 · 869 阅读 · 0 评论