读文献 Domain-Adaptive Few-Shot Learning 心得

最新推荐文章于 2024-10-14 11:22:35 发布
最新推荐文章于 2024-10-14 11:22:35 发布
阅读量1.6k 收藏 6
点赞数
分类专栏： 算法改进 文章标签： 深度学习 人工智能 机器学习
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.youkuaiyun.com/m0_37929824/article/details/105379668
版权

这篇文章主要讲的是 域自适应小样本学习。
当前主流的小样本学习有个关键的隐性假设是小样本的类与源类样本具有近似的样本空间。
然而很多情况下，小样本问题的样本空间和源样本空间并不完全一致。
所以提出了域自适应小样本学习。

解决方案是在DAPN中嵌入领域自适应特征学习之前，显式地增强每类的源/目标分离，以减轻领域对齐对FSL的负面影响。大量实验表明，DAPN优于最先进的FSL和DA模型

The goal of our DA-FSL is to exploit Ds and Dd for training a classifier that can generalize well to T .

DA-FSL的目标是利用Ds和Dd训练一个能够很好地推广到T的分类器。

在这里插入图片描述

只需少量数据就能适应网络——《FEW-SHOT ADAPTATION OF GENERATIVE ADVERSARIAL NETWORKS》论文解析
wenqiwenqi123的博客
12-07 6894
今天来看一篇few-shot适应的论文，还挂在arxiv上，同时在github上也有开源的项目：http://www.estherrobb.com/few-shot-gan/ 这篇文章来自弗吉尼亚理工和谷歌研究院。谷歌研究院就喜欢搞一些开源、video什么的。 那么这篇文章做了一件什么事呢？对于一个生成网络，我们本来需要大量的数据才能训练出一个好的结果，但是在某些情况下，我们只能获得少量的数据。因此合理地利用先验知识，在这个域中只使用少量数据就得到较好的结果就变得有必要了。 那么就来看看是怎么做的吧：
[论文笔记] Domain-Adaptive Few-Shot Learning
weixin_44563093的博客
04-20 3859
原文链接：https://openaccess.thecvf.com/content/WACV2021/papers/Zhao_Domain-Adaptive_Few-Shot_Learning_WACV_2021_paper.pdf github链接：GitHub - dingmyu/DAPN: A pytorch implementation of "Domain-Adaptive Few-Shot Learning"（有bug和文件缺失，无法运行） Methodology (论文原图，侵删).
Few-Shot Domain Adaptation for Grammatical Error Correction via Meta-Learning翻译
nopSled
03-15 456
摘要 1.介绍 2.方法 2.1 GEC领域适应 2.2 通过元学习来小样本GEC领域适应
Adaptive Cross-Modal Few-shot Learning
VIEO
03-29 1196
论文 资料1 基于度量的元学习（metric-based meta-learning）如今已成为少样本学习研究过程中被广泛应用的一个范式。这篇文章提出利用交叉模态信息（cross-modal information）来进一步加强现有的度量元学习分类算法。 在本文中，交叉模态是指视觉和语言的信息；结构定义上来说视觉信息和语义信息有截然不同的特征空间，然而在识别任务上二者往往能够相互辅助，某些情...
【论文翻译】One-Shot Imitation from Observing Humans via Domain-Adaptive Meta-Learning
weixin_40523230的博客
12-14 1520
1. Introduction 人类和动物仅仅通过观察别人就能掌握行为的要点，并且能够对形态，背景，和任务细节的变化相当鲁棒。并且人类需要非常少量的示范就可以学会。机器如何获取这种能力？ 解决“基于视觉输入的skill学习”有两个问题：（1）人类示范和机器人之间的“外貌和行为差异”引入了一个“系统域唯一的问题”，即对应问题。（2）从视觉输入进行学习需要大量的数据。本文中，我们使用met...
论文阅读问题总结(六)：Meta-Learning with Domain Adaption for Few-shot Learning Under Domain Shift
qq_32599109的博客
03-23 766
1.这篇paper作者提出要解决的问题？ 作者提出，大部分现存的小样本元学习领域的一些工作都基于两个假设： training task和testing task都是从满足同一task distribution中采样出来的小样本数据集。 training tasks有足够的数据集提供给模型训练。 然而在真实的应用场景中，我们要解决的目标任务所在的领域并没有大量数据集用来构建training tasks(与testing task满足同一task distribution)。 2.传统的深度学习的domain
【论文阅读】Domain-Rectifying Adapter for Cross-Domain Few-Shot Segmentation 详细解读
最新发布
qq_52589927的博客
10-14 1589
CVPR2024，主要提出了一种适用于跨域少样本语义分割（Cross-Domain Few-Shot Segmentation, CD-FSS）的领域修正适配器方法。
One-Shot Imitation from Observing Humans via Domain-Adaptive Meta-Learning
s_m_c的博客
09-05 960
元测试阶段的任务和元训练阶段是类似的。符合元训练和元测试的基本的数学原理：在元训练期间，观察 ot 和 at 的动作，我们的方法学习 θ 和 Ψ。在元测试期间，只有观察结果可用，我们的方法结合学习到的先验 θ 和因子 Ψ 来推断特定于任务的策略参数 φ。与依赖精确手部检测和预先构建的视觉系统的方法相比，我们的方法是端到端训练的，：在这项工作中，我们提出了一种通过使用来自各种先前任务的人类和机器人演示数据从人类视频中一次性学习的方法，，把人类的演示作为支持集，机械臂的观察作为查询集，进行元学习的训练和测试。
【论文阅读一】Adaptive Cross-Modal Few-shot Learning
warm_in_spring的博客
08-05 2099
1、introduction 这篇文章提出了一种将语义与视觉知识相结合的自适应的cross-modal。视觉和语义特征空间根据定义具有不同的结构。对于某些概念，视觉特征可能比文本特征更丰富，更具辨别力。但当视觉信息在图像分类中受到限制时，语义表示（从无监督的文本语料库中学习）可以提供强大的先验知识和上下文以帮助学习。此文就是基于此开展研究的，提出了Adaptive Modality Mixtur...
读文章3:Prototypical Cross-domain Self-supervised Learning for Few-shot Unsupervised Domain Adaptation
ABU0621的博客
01-17 1498
abstract总结：在UDA领域中，收集源域中标签很昂贵，所以为了解决这个问题，最近的研究提出实例式跨域自监督学习，然后进行微调。但是他有缺点，即只能学习和调整低层次的判别特征。本文提出了一种端到端的原型跨域自监督学习（PCS）框架，用于 "少量无监督域适应"（FUDA）PCS 不仅能进行跨域低级特征对齐，还能在跨域共享嵌入空间中对语义结构进行编码和对齐。他通过域内原型对比学习捕捉数据的类别语义结构，并通过跨域原型自监督执行特征配准。
【论文精度】《Few-Shot Domain Adaptation For End-to-End Communication》
qq_41100635的博客
03-16 762
原文链接Input message：y∈Y:={1,⋯ ,m}y \in \mathcal{Y}:=\{1, \cdots, m\}y∈Y:={1,⋯,m}The input message yyy is mapped into a one-hot-coded vector 1y{1}_{y}1y​,then get z\mathbf{z}z and Z\mathcal{Z}Z (Z\mathcal{Z}Z is the constellation of the autoencoder)：1y {1}_{y
cdfsl-benchmark:（ECCV 2020）跨域少量学习基准测试系统
03-21
跨域少量学习（CD-FSL）基准 网站 排行榜 纸 请在使用此评估框架时引用以下论文： : @inproceedings{guo2020broader, title={A broader study of cross-domain few-shot learning}, author={Guo, Yunhui and Codella, Noel C and Karlinsky, Leonid and Codella, James V and Smith, John R and Saenko, Kate and Rosing, Tajana and Feris, Rogerio}, year={2020}, organization={ECCV} } 介绍 跨域少发学习（CD-FSL）挑战基准包括CropDiseases [1]，EuroSAT [2]，ISIC2018
跨域小样本---cross domain few shot---第一弹
qq_21157073的博客
09-06 5147
cross domain Few-shot 存在问题 域间类别不重合 目标域时标签数据少 存在域偏差 A Broader Study of Cross-Domain Few-Shot Learning（ECCV 2020 link） 提出了cross domain few-shot learning的标准，在miniImageNetminiImageNetminiImageNet上训练模型，随后采用N−way，K−shotN-way，K-shotN−way，K−shot的方式，迁移到目标数据集上。 #.
【论文解读】跨域小样本学习：A Broader Study of Cross-Domain Few-Shot Learning
诸葛灬孔暗
08-16 2678
​1.介绍 论文地址： A Broader Study of Cross-Domain Few-Shot Learning 参考代码： https://github.com/IBM/cdfsl-benchmark 针对问题：小样本学习、跨域学习Cross-Domain 少数镜头学习的最新进展在很大程度上依赖于元学习的注释数据：从与新类相同的域中采样的基类。然而，在许多应用中，为元学习收集数据是不可行或不可能的。这就导致了跨领域的少镜头学习问题，在这个问题中，基本类域和新类域之间有很...
论文解读：Multi-level Domain Adaptive learning for Cross-Domain Detection
shY Pa
07-30 1240
论文题目：Multi-level Domain Adaptive learning for Cross-Domain Detection（Task-CV workshop ICCV2019） 论文主要贡献：已有的目标检测自适应方法主要基于全局的特征自适应，没有考虑局部特征自适应(其实是不对的，现有的检测自适应方法有基于全局的，也有局部和实例的特征自适应，分割和分类主要是全局自适应)，因此本论文提...
论文阅读 3 | Few-shot Domain Adaptation by Causal Mechanism Transfer
qq_44924407的博客
08-22 1061
通过因果机制转移进行的少样本域适应研究
Learning Embedding Adaptation for Few-Shot Learning---- 论文阅读笔记
勤学如春起之苗，不见其增，日有所长
05-09 1927
Abstract 之前的方法：is task-agnostic: the embedding function is not learned optimally discriminative with respect to the unseen classes, where discerning among them is the target task. 改进的地方：to adapt the ...
FSL小样本学习few-shot learning知识点整理
golfbears的博客
02-02 2541
虽然deeplearning在语音视频和语言处理上有了革命性的进步，数据增强和正则化技术也是的小数据样本的过拟合问题得到了改善，但是距离大数据大模型的差距还是存在的。本文结合《Matching Networks for One Shot Learning》，《Domain-Adaptive Few-Shot Learning》和《Prototypical Networks for Few-shot Learning》三篇论文的内容，梳理一下few shot learning的一些知识点，试图探究一下提高小样
(Few-shot Detection)Review: fewshot adaptive faster r-cnn
Bryce1010's Blog
12-14 683
Challenge 目标域上的数据严重不足 Detection的任务不仅要定位还要分类，增加任务难度 数据量少容易造成over-adaptation 同时，现在存在的Domain-Adaptation Detection中，更多的是做无监督的方式，这样在源域同样需要大量的数据。 所以本文的研究目的是：在源域上训练的检测器，通过few-shot learning的思想转移到在带有部...
Meta-Learning with Task-Adaptive Loss for Few-Shot Learning
本文提出了一种创新的元学习框架，即Meta Learning with Task-Aware Loss Function (METAL)，旨在解决这个问题。 METAL的关键在于引入了一个能够自适应调整的损失函数，可以根据每个任务的具体需求进行优化，而非...
评论 1
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