.png){kind=icon}
返回
Semi-supervised few-shot learning using Critical-Descriptor Prototypes
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.130769.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
半监督少样本学习旨在利用有限的标记样本和大量的未标记样本来提升模型的分类能力。主流方法之一是通过获取类均值作为原型来表征每个类别。然而，这些类均值原型可能因稀疏样本或离群样本而表现出偏差。为缓解这一问题，我们提出了关键描述符原型（CDP）框架，该框架通过字典驱动的特征稀疏化和监督对比优化来改进原型学习。具体而言，CDP引入了两项关键创新：首先，基于字典的描述符稀疏化：CDP将每个原型分解为25个判别性描述符，并通过稀疏编码重构未标记样本。这迫使模型通过最小化重构误差来优先考虑高贡献度的局部特征。其次，监督对比学习：利用CDP精炼原型的伪标签，我们设计了一种监督对比损失，该损失明确地将同类样本进行聚类，同时分散跨类特征。在mini-ImageNet和tiered-ImageNet上的大量实验表明，该方法取得了最先进的结果。值得注意的是，在1-shot场景下，CDP相较于我们先前的工作（SS-VPE）提升了13.94%，验证了其通过关键特征定位缓解原型偏差的优越性。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
MICM: Rethinking Unsupervised Pretraining for Enhanced Few-shot LearningMICM: 重新思考无监督预训练以增强小样本学习
PREAI
分享收藏
Contrastive machine learning reveals species-shared and-specific brain functional architecture对比机器学习揭示了物种共享和特异性的脑功能架构.png)
MEDICAL IMAGE ANALYSIS
MEDICAL IMAGE ANALYSISIF11.8
PREAI
分享收藏
查看更多内容