Few-Shot Classification with Contrastive Learning

最新推荐文章于 2024-10-06 21:28:40 发布
原创 最新推荐文章于 2024-10-06 21:28:40 发布 · 552 阅读 · 9 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习

《Few-Shot Classification with Contrastive Learning》
ECCV2022
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述

基于contrast learning的few-shot learning论文集合（2）
weixin_43994864的博客
05-09 1160
论文三：《Supervised Momentum Contrastive Learning for Few-Shot Classification》CoRR 2021 论文链接：https://arxiv.org/pdf/2101.11058.pdf 代码链接：无 这项工作中，作者通过将鉴别性的实例对比学习和监督性学习结合在一个称为Supervised Momentum Contrastive learning **(SUPMOCO)**的框架中，研究了自监督和监督学习这两种信息源的互补作用 论文四：
基于contrast learning的few-shot learning论文集合（1）
weixin_43994864的博客
05-07 1385
论文一：《Learning a Few-Shot Embedding Model with Contrastive Learning》AAAI 2021 论文链接：https://www.aaai.org/AAAI21Papers/AAAI-2249.LiuC.pdf 代码链接：https://github.com/corwinliu9669/Learning-a-Few-shot-Embedding-Model-with-Contrastive-Learning 本文提出一种新的对比训练方案infoP
ECCV 2022《Few-Shot Classification with Contrastive Learning》
weixin_53356651的博客
01-07 2060
作者指出他们提出了一种新颖的基于对比学习的FSL网络框架，这种框架可以将对比学习很好的集成到现在广泛使用的two-stage training paradigm(包括pre-training和meta-learning两个stages)在pre-training stage，提出了，包括两种对比关系：1️⃣feature vector .vs. feature map2️⃣feature map .vs. feature map。
【论文理解】Spatial Contrastive Learning for Few-Shot Classification
lijianyi0219的博客
01-01 3569
内容概览前言一、空间对比学习（Spatial Contrastive Learning）1.对比学习2.全局对比损失3.空间对比损失二、特征的修正三、对比蒸馏（Contrastive Distillation）四、少样本分类五、实验结果总结 前言 这篇论文提出了一个采用非episodic training方法的少样本图像分类算法，作者来自巴黎萨克雷大学，于2020.12.26挂在arxiv上：论文链接 这篇论文的实验结果比较好，并且在预训练时采用了注意力的思想，获得了一个良好的特征提取器。因此我把它的算法
Augmenting Few-Shot Learning With Supervised Contrastive Learning
breeze21的博客
02-22 760
When Deep Learning Meets Metric Learning: Remote Sensing Image Scene Classification via Learning Discriminative CNNs
读文章3:Prototypical Cross-domain Self-supervised Learning for Few-shot Unsupervised Domain Adaptation
ABU0621的博客
01-17 1514
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。
Deep Few-Shot Learning for Hyperspectral Image Classification
weixin_42402402的博客
08-28 1152
Deep Few-Shot Learning for Hyperspectral Image Classification 作者：Bing Liu , Xuchu Yu, Anzhu Yu, Pengqiang Zhang, Gang Wan, and Ruirui Wang 出处：IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING 发表时间：2019 1.1摘要与贡献： 目前，深度学习方法已被成功用于高光谱图像（HSI）分类。然而，想要训练一个深度学习.
Self-Supervised Meta-Learning for Few-Shot Natural Language Classification Tasks
weixin_44695049的博客
04-17 279
文中提到，将大规模预训练语言模型在小规模数据集上fine-tuning时，数据不充分不能够取得很好的效果的这种情况认为是一大挑战。作者认为这将是一种few-shot Learning，因为这种情况就被称为是训练和测试集的模型不匹配问题，在进行微调的时候不能够学习到一个很好的初始化参数，同时进行fine-tuning的时候还要引入一些额外的参数，这就导致在本就不多的特定任务的数据集上很难习得很少的模型结果；文中对于上面挑战，提到的解决办法是使用meta-learning的思想，让。
【论文阅读】Learning a Few-shot Embedding Model with Contrastive Learning
最新发布
cainiaomyf的博客
10-06 1449
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；
图像+全局和局部特征对比学习
xiashaoyan1的专栏
03-13 1634
图像分类特征对比
论文解读：Label Hallucination for Few-Shot Classification
weixin_50917576的博客
04-26 935
尽管新类的标签并不能“恰如其分”地表示基数据集中的样本，但是很多基数据集的样本会包含与新类中相似的对象，例如，基数据集中的老虎和新类中的猫有相似的特征，那么就有60%的概率将老虎打上猫的标签；或者基数据集中的图片与新类中的图片有背景相似，比如“car”和“pedestrians”即车和行人的背景可能都是街道，那么打完伪标签后，两幅图的标签很有可能相同。而我们通过伪标签数据集来微调整个模型，训练网络识别基数据集上的这些相似特性或背景线索，从而将representation转向对新类识别有用的特征。
2020-2023小样本学习（FSL）顶会论文及开源代码合集（已分类整理）
学姐带你玩AI的博客
09-19 5271
本文通过设置三个跨域任务来推动组织病理图像的小样本学习研究，模拟实际临床问题。为实现高效标注和更好的泛化能力，作者提出结合对比学习和潜在增强来构建小样本系统。对比学习可以在无手动标注下学习有用表示，而潜在增强以非监督方式传递基数据集的语义变化。这两者可充分利用无标注训练数据，可扩展到其他数据饥渴问题。
计算机视觉论文-2021-07-21
中科院AI算法工程师的博客
08-02 1218
本专栏是计算机视觉方向论文收集积累，时间：2021年7月21日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） 1, TITLE:DSP: Dual Soft-Paste for Unsupervised Domain Adaptive Semantic Segmentation AUTHORS: Li Gao ; Jing Zhang ; Lefei Zha...
计算机视觉与模式识别学术速递[2022.9.20]
AI浩
09-24 8753
机构： Oden Institute, The University of Texas at Austin, Austin, TX, USA, Institute for Parallel and Distributed Systems, University of Stuttgart, Stuttgart, DE, Department of Mathematics, University of Houston, Houston, TX, USA。
论文阅读笔记《Boosting Few-Shot Learning with Adaptive Margin Loss》
深视
06-27 3729
核心思想   本文在基于度量学习的小样本分类算法的基础上，通过引入类别相关（class-relevant）或任务相关（task-relevant）的自适应边缘损失（Adaptive Margin Loss），改进了原有算法的分类效果。本文的核心观点是可以利用不同类别之间的语义相似性来生成自适应边缘（Margin虽然翻译为边缘，但其实应该理解为两种类别之间的边界距离），具体地说就是让相似类别之间的边界类别比不相似类别之间的边界距离更大，如下图所示。   我们希望增大“狗”和“狼”之间的边界距离，以增强相似类
CIKM 2021 | 推荐系统相关论文分类整理
abcdefg90876的博客
10-20 3851
© 作者｜孙文奇机构｜中国人民大学高瓴人工智能学院研究方向｜推荐系统本文选取了CIKM2021中85篇长文、15篇应用文和29篇短文，重点对推荐系统相关论文（76篇）按不同的任务场景和研究...
论文阅读《Boosting Few-Shot Learning With Adaptive Margin Loss》
AmbitionalH的博客
10-13 793
Background ＆ Motivation 各种度量学习方法的不同之处就在于特征的提取方法和嵌入空间内距离的度量方法不同。 交叉熵损失常用来监督模型提取区别度高的视觉特征，在此之前还有人提出各种不同的 margin loss。最简单的 Naive Additive Margin Loss： 这个方法是假设所有的类都应该平等的远离彼此，因此增加了一个固定的常数 m。但是对相似的类别并不能很好地区分，尤其是在小样本的设定下。 除此之外还有 angular margin 和 cosine ma
论文阅读 --- 小样本学习 --- A CLOSER LOOK AT FEW-SHOT CLASSIFICATION
chencas的博客
12-22 2773
背景 目前深度学习需要大量的有标签数据，而人类则不需要，能够通过少量的有标签数据样本进行学习分类。在N-shot learning中[1]，在训练是有K个类，每个类有N个由标签数据，即一共有N*K个样本来训练，作为 support set S，然后需要对query set Q进行分类，判断属于K类中的哪一类。 N-shot learning有三个子领域，分别是 zero-shot learni...
【论文解读】Adversarial Feature Hallucination Networks for Few-Shot Learning（对抗特征，小样本学习）
诸葛灬孔暗
08-08 1262
1. 介绍 论文地址：Adversarial Feature Hallucination Networks for Few-Shot Learning. 参考代码：https://github.com/KandariSrinivas/Adversarial-Feature-Hallucination-Networks-for-Few-Shot-Learning 针对问题：小样本学习、数据多样性和可判别性 数据扩充对小样本有效，然而，这些模型不能很好地保证合成数据的可辨别性和多样性，因...
few-shot classification的基本方法
04-12
Few-shot classification的基本方法是利用已知的少量样例来训练模型，使其能够快速、准确地对未知样本进行分类。其中一种常用的方法是元学习（meta-learning），它利用多个任务的样例去训练一个模型，使得该模型能够...
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