专注毕业20年-优快云博客

原创【论文阅读】Pushing the Limits of Simple Pipelines for Few-Shot Learning: External Data and Fine-Tuning Ma

少样本学习（Few-Shot Learning，FSL）是计算机视觉领域一个重要且热门的问题，已经激发了大量研究，这些研究方法从复杂的元学习方法到简单的迁移学习基线不一而足。我们致力于在实际中突破一种简单但有效的少样本图像分类管道的极限。为此，我们从神经网络架构的角度探索少样本学习，并提出了一个三阶段的管道：在外部数据上进行预训练，在标注的少样本任务上进行元训练，以及针对未见任务进行特定任务的微调。预训练外部数据如何提升 FSL 性能？如何利用最先进的 Transformer 架构？

2025-01-27 10:58:52 647 1

原创【毕业设计】基于SpringBoot的图书个性化推荐系统设计与实现（源码+文档）

本论文主要论述了如何使用JAVA语言开发一个图书个性化推荐系统，本系统将严格按照软件开发流程进行各个阶段的工作，采用B/S架构，面向对象编程思想进行项目开发。在引言中，作者将论述图书个性化推荐系统的当前背景以及系统开发的目的，后续章节将严格按照软件开发流程，对系统进行各个阶段分析设计。图书个性化推荐系统的主要使用者分为管理员和学生，实现功能包括管理员：首页、个人中心、学生管理、图书分类管理、图书信息管理、图书预约管理、退换图书管理、管理员管理、留言板管理、系统管理，学生：首页、个人中心、图书预约管理、退换

2025-01-26 09:57:49 661

原创【毕业设计】基于SpringBoot的医护人员排班系统设计与实现（源码+文档）

;随着信息技术在管理上越来越深入而广泛的应用，管理信息系统的实施在技术上已逐步成熟。本文介绍了医护人员排班系统的开发全过程。通过分析医护人员排班系统管理的不足，创建了一个计算机管理医护人员排班系统的方案。文章介绍了医护人员排班系统的系统分析部分，包括可行性分析等，系统设计部分主要介绍了系统功能设计和数据库设计。

2025-01-26 09:49:28 584

原创【论文阅读】SelfNet: A semi-supervised local Fisher discriminant network for few-shot learning

少样本学习通过使用小规模的带标签样本来识别新对象，近年来引起了广泛的研究兴趣。原型网络（Prototypical Network，ProtoNet）是一种简单而有效的元学习方法，用于解决这一问题。然而，在少样本场景下，数据的稀缺性通常会对原型的表示能力产生负面影响。在本文中，我们提出了一种独特的半监督少样本学习架构，称为半监督局部 Fisher 判别网络（SelfNet），它将少样本学习与子空间学习相结合。通过结合支持集和额外的未标记样本集，构建了一个特征投影模块，以实现子空间投影。此外，采用了一种伪标签策

2025-01-23 10:59:07 931 1

原创【论文阅读】Meta-learning for semi-supervised few-shot classification

在少样本分类（few-shot classification）中，我们关注的是从少量标注样本中学习分类器的算法。近年来，少样本分类的进展主要体现在元学习（meta-learning）方面，在元学习中，定义并训练了一个参数化的模型来表示学习算法，该模型在代表不同分类问题的训练集中进行训练，每个训练集包含少量的标注样本和相应的测试集。在本工作中，我们将这一少样本分类范式推进到一个新场景，其中每个训练集中还包含未标注的样本。我们考虑了两种情况：一种是所有未标注样本都假定属于与该训练集中标注样本相同的类别集合；

2025-01-22 17:00:53 791 1

原创【论文阅读】Pseudo-Labeling Based Practical Semi-Supervised Meta-Training for Few-Shot Learning

大多数现有的少样本学习（FSL）方法在元训练过程中需要大量的标注数据，这是一个主要的限制。为了减少对标注数据的需求，提出了一种半监督元训练（SSMT）设置，其中包括少量的标注样本和基类中的大量未标注样本。然而，现有方法在该设置下需要从未标注集中进行类感知样本选择，这违反了未标注集的假设。本文提出了一种实际的半监督元训练设置，使用真正未标注的数据，以促进少样本学习在现实场景中的应用。为了更好地利用标注和真正未标注的数据，我们提出了一个简单有效的元训练框架，称为基于伪标签的元学习（PLML）。首先，我们通过常见

2025-01-22 16:39:13 684 1

原创【论文阅读】Few-Shot Learning With Multi-Granularity Knowledge Fusion and Decision-Making

Few-shot learning (FSL) 是一项具有挑战性的任务，旨在从少量标记样本中对新类别进行分类。许多现有模型将类别的结构知识作为先验知识嵌入，以增强FSL对数据稀缺的适应能力。然而，这些方法在连接类别结构知识与有限视觉信息方面表现不足，而视觉信息在FSL模型性能中起着决定性作用。本文提出了一种结合多粒度知识融合与决策的统一FSL框架（MGKFD），以克服这一局限性。我们旨在同时探索视觉信息和结构知识，以互为补充的方式增强FSL。

2025-01-22 15:37:05 1073 1

原创【毕业设计】基于SpringBoot的在线拍卖管理系统设计与实现（源码+文档）

随着社会的发展，社会的各行各业都在利用信息化时代的优势。计算机的优势和普及使得各种信息系统的开发成为必需。在线拍卖系统，主要的模块包括管理员；首页、个人中心、用户管理、商品类型管理、拍卖商品管理、历史竞拍管理、竞拍订单管理、留言板管理、系统管理，用户；首页、个人中心、历史竞拍管理、竞拍订单管理、留言板管理，前台首页；首页、拍卖商品、竞拍公告、留言反馈、个人中心、后台管理等功能。系统中管理员主要是为了安全有效地存储和管理各类信息，还可以对系统进行管理与更新维护等操作，并且对后台有相应的操作权限。

2025-01-22 14:53:11 992

原创【论文阅读】Learning to Self-Train for Semi-Supervised Few-Shot Classification

小样本分类（FSC）由于标注训练数据的稀缺（例如每个类别只有一个标注数据点）而具有挑战性。元学习通过学习初始化分类模型来解决小样本分类问题，已经取得了令人鼓舞的成果。本文提出了一种新颖的半监督元学习方法，称为“学习自我训练”（LST），该方法利用未标注数据，并特别元学习如何挑选和标记这些未标注数据，以进一步提高性能。为此，我们通过大量的半监督小样本任务来训练LST模型。在每个任务中，我们训练一个小样本模型来预测未标注数据的伪标签，然后在标注数据和伪标签数据上迭代自我训练步骤，每一步之后进行微调。

2024-12-20 17:47:48 1049 1

原创【毕业设计】2025年计算机毕业设计项目推荐（源码＋数据库＋标准版毕业论文）—持续更新

✌985在读博士生，从事毕业辅导5年之余，顺利让1000+学生顺利毕业，专注于Java技术领域、Python人工智能领域开发等。优快云平台优质作者✌哈喽，大家好，大四的同学马上要开始做毕业设计了，大家做好准备了吗？博主给大家详细整理了计算机毕业设计最新项目，对项目有任何疑问，都可以问博主哦~🍅文末获取源码联系🍅👇🏻 精彩专栏推荐订阅👇🏻 不然下次找不到哟毕业设计选题非常重要！非常重要！非常重要！文章最下面有微信，获取完整源码和数据库，非开源！！

2024-12-20 16:06:42 1155

原创【论文阅读】Semi-Supervised Few-shot Learning With Pseudo Label Refinement

少样本分类旨在通过极少量的带标签样本识别新的类别。尽管已经取得了许多重要成果，但由于带标签样本的稀缺性，少样本分类仍然具有挑战性。最近的研究倾向于利用未标记数据通过伪标签扩展训练集，但这种策略通常会带来显著的标签噪声。在本研究中，我们通过迭代伪标签优化引入了一种新的半监督少样本学习基线方法，以减少噪声。随后，我们研究了标签噪声传播问题，并通过一个去噪网络改进了基线方法，该网络通过混合模型学习干净和带噪声伪标记样本的分布。这有助于估计伪标记样本的置信值，并选择噪声较少的可靠样本，用于迭代优化少样本分类器。

2024-12-20 15:50:02 955 1

原创【论文阅读】An Embarrassingly Simple Approach to Semi-Supervised Few-Shot Learning

半监督小样本学习旨在训练一个分类器，使其能够适应新任务，尽管只有有限的标记数据和一定量的未标记数据。为了解决这一问题，已经提出了许多复杂的方法。在本文中，我们提出了一种简单但非常有效的方法，从间接学习的角度出发，预测未标记数据的准确负伪标签，进而增强小样本分类任务中极为受限的支持集。我们的方法只需几行代码即可实现，且仅使用现成的操作，尽管如此，它仍能够在四个基准数据集上超越现有的最先进方法。

2024-12-20 14:12:50 951 1

原创【论文阅读】Sample-Centric Feature Generation for Semi-Supervised Few-Shot Learning

半监督少样本学习旨在通过有限的标注数据和广泛可用的未标注数据来提高模型的泛化能力。以前的研究尝试通过使用情景训练策略来建模少量标注数据与额外未标注数据之间的关系，通常通过标签传播或伪标签过程进行。然而，由伪标签数据本身表示的特征分布是粗粒度的，这意味着伪标签数据与真实查询数据之间可能存在较大的分布差距。为此，我们提出了一种面向样本的特征生成（SFG）方法，用于半监督少样本图像分类。具体来说，不同类别的少样本标注样本首先被训练用于预测潜在未标注样本的伪标签。

2024-12-20 13:34:39 1072 1

原创【论文阅读】Learning Deep Intensity Field for Extremely Sparse-View CBCT Reconstruction

稀疏视图锥束CT（CBCT）重建是减少辐射剂量并促进临床应用的重要方向。以往基于体素的生成方法将CT表示为离散的体素，这会导致高内存需求并由于使用3D解码器而限制了空间分辨率。本文将CT体积建模为连续的强度场，并提出了一种新型的DIF-Net（深度强度场网络），能够从极度稀疏的（≤10个）投影视图中，以超快的速度执行高质量的CBCT重建。CT的强度场可以看作是3D空间点的连续函数。因此，重建问题可以重新表述为从给定的稀疏投影中回归任意3D点的强度值。

2024-12-20 13:02:26 765 1

原创【论文阅读】Few-Shot Learning With Dynamic Graph Structure Preserving

近年来，少样本学习在物联网领域受到了越来越多的关注。少样本学习的目标是通过每个类别中的少量标签样本来区分未见过的类别。最近的转导性少样本学习研究高度依赖于在特征空间

2024-12-20 10:46:45 1088 1

原创【论文阅读】Few-Shot Learning with Representative Global Prototype

小样本学习通常面临低泛化性能的问题，因为它假设新类别和基础类别的数据分布是相似的，而模型仅在基础类别上进行训练。为了缓解上述问题，我们提出了一种基于代表性全局原型的小样本学习方法。具体来说，为了增强对新类别的泛化能力，我们提出了一种方法，通过选择代表性和非代表性的样本，分别优化代表性全局原型，从而联合训练基础类别和新类别。此外，我们还提出了一种方法，通过条件语义嵌入有机地结合基础类别的样本，利用原始数据生成新类别的样本，从而增强新类别的数据。

2024-12-12 00:17:56 1160 1

原创【毕业设计】2025年计算机毕业设计项目推荐（源码＋数据库＋标准版毕业论文）—持续更新

✌985在读博士生，从事毕业辅导5年之余，顺利让1000+学生顺利毕业，专注于Java技术领域、Python人工智能领域开发等。优快云平台优质作者✌哈喽，大家好，大四的同学马上要开始做毕业设计了，大家做好准备了吗？博主给大家详细整理了计算机毕业设计最新项目，对项目有任何疑问，都可以问博主哦~🍅文末获取源码联系🍅👇🏻 精彩专栏推荐订阅👇🏻 不然下次找不到哟毕业设计选题非常重要！非常重要！非常重要！文章最下面有微信，获取完整源码和数据库，非开源！！

2024-12-05 14:43:57 591

原创【毕业设计】2025年计算机毕业设计项目推荐（源码＋数据库＋标准版毕业论文）—持续更新

✌985在读博士生，从事毕业辅导5年之余，顺利让1000+学生顺利毕业，专注于Java技术领域、Python人工智能领域开发等。优快云平台优质作者✌哈喽，大家好，大四的同学马上要开始做毕业设计了，大家做好准备了吗？博主给大家详细整理了计算机毕业设计最新项目，对项目有任何疑问，都可以问博主哦~🍅文末获取源码联系🍅👇🏻 精彩专栏推荐订阅👇🏻 不然下次找不到哟毕业设计选题非常重要！非常重要！非常重要！文章最下面有微信，获取完整源码和数据库，非开源！！

2024-12-03 16:00:57 650

原创【论文阅读】Adversarial gradient-based meta learning with metric-based test

基于梯度的元学习及其近似算法已广泛应用于小样本学习场景中。在实际应用中，训练好的元模型通常在不同任务中采用统一的梯度下降步骤设置。然而，元模型可能会对某些任务产生偏差，导致一些任务在几步内就能收敛，而其他任务则在整个内循环过程中无法接近最优解。这个偏差问题可能导致训练好的元模型在某些任务上表现良好，但在其他任务上却有意外的差强人意的表现，从而影响元模型的泛化能力。为了解决这个问题，本文正式建立了度量基策略与梯度下降在元测试中的近似关系。通过直接计算相似性进行数据分类，训练好的元模型避免了收敛问题。

2024-12-03 14:21:08 1114 1

原创【论文阅读】Contrastive prototype network with prototype augmentation for few-shot classification

近年来，基于度量的元学习方法因其在解决小样本分类问题上的有效性而受到广泛关注。然而，数据的稀缺性常常导致次优的嵌入，从而造成预期类别原型与

2024-11-30 19:55:10 1125 1

原创【论文阅读】Multi-level Semantic Feature Augmentation for One-shot Learning

人类能够从有限样本中快速识别和学习新的视觉概念，使其能够迅速适应新任务和环境。这种能力源于将新概念与已学习并存储在记忆中的概念进行语义关联。计算机可以通过使用语义概念空间来获得类似的能力。概念空间是一个高维语义空间，其中相似的抽象概念相距较近，而不相似的概念则相距较远。在本文中，我们提出了一种基于这一核心思想的新颖单样本学习方法。我们的方法学习将一个新样本实例映射到一个概念上，将该概念与概念空间中的现有概念关联起来，并利用这些关系，通过概念间的插值生成新实例，以帮助学习。

2024-11-27 13:42:45 1202 1

原创【论文阅读】Learning to Learn Task-Adaptive Hyperparameters for Few-Shot Learning

小样本学习的目标是设计一个系统，该系统能够在给定任务下仅通过少量示例进行适应，同时实现良好的泛化性能。模型无关的元学习（Model-Agnostic Meta-Learning，MAML）由于其简单性和灵活性，近年来受到广泛关注。MAML 通过学习一个良好的初始化，使模型能够在少样本的情况下快速适应任务。然而，当新的任务与训练期间遇到的任务存在较大差异时，其性能相对有限。在本研究中，我们并没有寻求更好的初始化，而是专注于设计一个更好的快速适应过程。

2024-11-25 15:29:00 1240 1

原创【论文阅读】Learning dynamic alignment via meta-filter for few-shot learning

小样本学习（Few-shot Learning, FSL）旨在通过极其有限的小样本（支持集）示例，适应已学到的知识来识别新类别，仍然是计算机视觉中的一个重要开放问题。现有的大多数小样本学习中的特征对齐方法仅考虑图像级别或空间级别的对齐，而忽略了通道差异。我们的观点是，这些方法会导致冗余匹配，从而导致适应性差，而利用通道级别的调整是将学到的知识有效适应到新类别的关键。因此，本文提出了一种动态对齐学习方法，可以根据不同的局部支持信息有效地突出查询区域和通道。

2024-11-07 11:26:44 1299 1

原创【论文阅读】Associative Alignment for Few-shot Image Classification

小样本图像分类旨在从每个“新类别”仅有的少量样本中训练模型。本文提出了一种关联对齐的思想，利用部分基础数据，通过将新类的训练实例与基础训练集中密切相关的样本对齐，来扩展新类的有效训练集规模。这种方法通过添加额外的“相关基础”样本到少量的新类样本中，从而允许更具建设性的微调。我们提出了两种关联对齐策略：1）一种度量学习损失，用于最小化相关基础样本与特征空间中新类样本中心点之间的距离；2）基于Wasserstein距离的条件对抗性对齐损失。

2024-10-31 11:46:22 787 1

原创【论文阅读】Detach and unite: A simple meta-transfer for few-shot learning

小样本学习（Few-shot Learning, FSL）是一个具有挑战性的问题，旨在从有限的示例中学习并进行泛化。最近的研究采用了元学习和迁移学习策略的结合来解决 FSL 任务。这些方法执行预训练，并将学到的知识转移到元学习中。然而，这种迁移模式是否适当尚不明确，且这两种学习策略的目标尚未得到充分探讨。此外，FSL 中元学习的推理依赖于样本关系，而这些关系需要进一步考虑。在本文中，我们揭示了预训练与元学习策略之间一个被忽视的学习目标差异，并提出了一种简单但有效的小样本分类任务学习范式。

2024-10-17 10:37:09 869 1

原创【综述翻译】Learning from Few Examples: A Summary of Approaches to Few-Shot Learning

小样本学习是指从少量训练样本中学习数据中潜在模式的问题。许多深度学习解决方案需要大量的数据样本，因此常常面临数据匮乏的问题，同时也需要大量的计算时间和资源。此外，数据通常由于问题的性质或隐私问题，以及数据准备成本而不可获得。数据收集、预处理和标注是繁重的人工任务。因此，小样本学习作为一种低成本的解决方案，能够大幅减少构建机器学习应用的周转时间。本综述文章列举了最近提出的具有代表性的少样本学习算法。

2024-10-14 13:43:59 506

原创【即插即用】ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks——2020CVPR

Wang, Qilong, et al. “ECA-Net: Efficient channel attention for deep convolutional neural networks.” Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2020.

2024-10-10 23:50:05 731 2

原创【综述翻译】Deep Metric Learning for Few-Shot Image Classification: A Review of Recent Developments

Few-shot 图像分类是一个具有挑战性的问题，旨在仅基于少量的训练图像实现人类级别的识别能力。小样本图像

2024-10-10 21:50:48 1471

原创【即插即用】CBAM: Convolutional Block Attention Module——2018ECCV

引用：Woo S, Park J, Lee J Y, et al. Cbam: Convolutional block attention module[C]//Proceedings of the European conference on computer vision (ECCV). 2018: 3-19.论文题目：CBAM: Convolutional Block Attention Module（不用看）（不用看）直接Copy！！试。

2024-10-09 17:21:08 1192

原创【论文阅读】PrototypeFormer: Learning to Explore Prototype Relationships for Few-shot Image Classification

小样本图像分类在解决新类别中样本有限导致分类性能不佳的问题上受到广泛关注。然而，许多研究采用复杂的学习策略和多样化的特征提取方法来应对这一挑战。在本文中，我们提出了一种名为PrototypeFormer的方法，该方法旨在通过探索原型之间的关系来显著提升传统的小样本图像分类方法。具体来说，我们利用Transformer架构构建了一个原型提取模块，旨在提取在小样本分类中更具区分性的类别表示。此外，在模型训练过程中，我们提出了一种基于对比学习的优化方法，以在小样本学习场景中优化原型特征。

2024-10-09 14:03:38 1307 1

原创【即插即用】Squeeze-and-Excitation Networks——2018CVPR

Hu, Jie, Li Shen, and Gang Sun. “Squeeze-and-excitation networks.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2018.

2024-10-08 22:01:37 1051

原创【综述翻译】Deep Learning for Cross-Domain Few-Shot Visual Recognition: A Survey

深度学习在使用大量标注数据的计算机视觉中取得了巨大成功，但在标注训练数据有限的情况下表现较差。为了解决这一问题，提出了小样本学习（Few-shot

2024-10-08 15:39:51 2021

原创【综述翻译】Generalizing from a Few Examples: A Survey on Few-Shot Learning

机器学习在数据密集型应用中取得了巨大成功，但当数据集较小时，通常会受到限制。最近，小样本学习（Few-Shot Learning

2024-10-07 15:12:51 1282

原创【论文阅读】Semi-Supervised Few-shot Learning via Multi-Factor Clustering

标记数据的稀缺性和模型过拟合问题一直是小样本学习中的挑战。最近，半监督小样本学习被提出，以获取未标记样本的伪标签来扩展支持集。然而，在生成伪标签的过程中，未标记数据与标记数据之间的关系并未得到充分利用，这些伪标签中的噪声会直接损害模型的学习效果。为了解决图像分类中的上述问题，本文提出了一种基于聚类的半监督小样本学习方法（cluster-FSL）。通过使用多因素协同表示，我们设计了一种新颖的多因素聚类（MFC）方法，用于融合小样本数据分布的信息，可以基于标记数据为未标记样本生成软和硬伪标签。

2024-10-07 00:38:02 1533 2

原创【论文阅读】Learning a Few-shot Embedding Model with Contrastive Learning

少样本学习（FSL）旨在通过适应从源类中学习到的先验知识来识别目标类。这些知识通常存在于深度嵌入模型中，用于支持图像和查询图像对的一般匹配目的。本文的目标是将对比学习重新用于这种匹配，以训练少样本嵌入模型。我们做出了以下贡献：（i）我们在监督环境下研究了带有噪声对比估计（NCE）的对比学习，用于训练少样本嵌入模型；（ii）我们提出了一种新颖的对比训练方案，称为 infoPatch，利用了 patch 级别的关系，显著改进了流行的 infoNCE；

2024-10-06 21:28:40 1271 1

原创【论文阅读】Cross Attention Network for Few-shot Classification

少样本分类旨在仅给出少量标记样本的情况下，识别来自未见过类别的未标记样本。未见类

2024-10-06 19:42:06 1398 1

原创【论文阅读】Semantic Prompt for Few-Shot Image Recognition（已复现）

小样本学习是一个具有挑战性的问题，因为只提供了少量样本来识别新的类别。最近的一些研究利用了额外的语义信息，例如类别名称的文本嵌入，通过将语义原型与视觉原型相结合来解决稀缺样本的问题。然而，这些方法仍然受到从稀缺支持样本中学习到的虚假视觉特征的影响，导致收益有限。在本文中，我们提出了一种用于小样本学习的新颖语义提示（Semantic Prompt，SP）方法。我们并非简单地利用语义信息来修正分类器，而是探索将语义信息作为提示来自适应地调整视觉特征提取网络。

2024-09-30 18:14:32 1801 1

原创【综述翻译】A Comprehensive Survey of Few-shot Learning: Evolution, Applications

少样本学习（Few-shot Learning，FSL）作为一种有效的学习方法展现出巨大的潜力。尽管最近在解决FSL任务方面有许多创新性的工作

2024-09-29 23:32:36 4124

原创【综述翻译】A Survey on Machine Learning from Few Samples

小样本学习（FSL）在机器学习领域是一项重要且具有挑战性的研究课题。成功从极少量样本中学习和泛化的能力是人工智能与人类智能之间显著的区别，因为人类可以通过单个或少数例子对新事物建立认知，而机器学习算法通常需要数百或

2024-09-29 16:23:48 830

原创计算机顶会举办时间地点速查（参考文献引用）——ECCV

ECCV是欧洲计算机视觉大会（European Conference on Computer Vision）的缩写，是计算机视觉领域的顶级会议之一。

2023-10-16 10:44:10 1589 1

SelfNet: A semi-supervised local Fisher discriminant network for few-shot learning

Few-Shot Learning with Representative Global Prototype

Contrastive prototype network with prototype augmentation for few-shot classification

Multi-level Semantic Feature Augmentation for One-shot Learning

Detach and unite: A simple meta-transfer for few-shot learning

Learning to Learn Task-Adaptive Hyperparameters for Few-Shot Lea

Few-shot Learning with Multi-Granularity Knowledge Fusion and De

A Comprehensive Survey of Few-shot Learning: Evolution, Applicat

A Survey on Machine Learning from Few Samples

Matching Networks for One Shot Learning

空空如也