随笔分类 - 域适应&小样本
摘要：这篇文章给出了用元学习做few-shot的baseline。整体感觉是实验做得很丰富，但是创新不太明显，简单总结一些实验过程和结论。code：https://github.com/cyvius96/few-shot-meta-baseline。 关于元学习和few-shot的基本内容有个很好的解释：
阅读全文
摘要：转载于：Model-Agnostic Meta-Learning （MAML）模型介绍及算法详解 MAML在学术界已经是非常重要的模型了，论文Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks自2017年发表至今已经收获
阅读全文
摘要：本文用正交softmax层来减轻少样本分类利用NN做易过拟合的问题。思路是：对于分类器的分类权重层，令其正交化。就是分类器的权重向量两两正交化。原理比较清晰易懂，实现时将权重向量的部分链接进行移除（dropout），但是这个移除在训练和测试是固定的，不是学习的，没有在优化过程中进行限制。本文的方法叫
阅读全文
摘要：一篇总结整理近来few-shot分类的文章（近来文章一些毛病：code实现细节很难说清真正的gain在哪，一些baseline被压得太低，base类和novel类之间的域差异不明显导致评估也不可能不太准）。作者复现了一下主要的几篇工作，然后总结如下：更深的backbone在不同域上的表现对于不同方法
阅读全文
摘要：提出一种成为MFR（Meta Face Recognition）的方法用于解决在未知域模型泛化的paper。如下图所示，左边为四个源域，右边为5个目标域，通过将源域迭代划分成meta-train/meta-test集合可以提升模型的迁移性能，使得在未知域上也会能有较好的结果。 在真实应用中通常有两种
阅读全文
摘要：转载于： 一行代码提升迁移性能 | CVPR2020 Oral 在迁移任务中，目标域由于没有标签，常常导致分界面附近混淆较多的数据。而我们基于这一现象，分析了批量类别响应组成的批量矩阵A，并希望从判别性和迁移性进行优化。 判别性 所谓判别性，指的是预测类别的过程是否坚定。比如对于二类问题的响应 [0
阅读全文
摘要：一篇解决图像识别问题中“长尾分布”的论文，也是cvpr20的oral，想法简洁有效：解耦分类网络的特征学习层和分类层。论文地址：BBN 。 常见的物体类别在识别问题中占据主导地位，而罕见的类别则数据较少。长尾分布在某种程度上可以视作比正态分布更广泛存在的一种自然分布，现实中主要表现在少量个体做出大量
阅读全文
