JoselynZhao

摘要： 文章提出了StarGAN v2，这是一种可以同时解决生成图像多样性和多域扩展性的单一框架。相比于了baselines，它取得了明显的提升。文章对StarGAN 取得的视觉质量、多样性以及可扩展性都进行了验证。 阅读全文

摘要： 这项工作设计了一项训练策略，允许从描述目标对象的一组视图产生高级知识。我们提出了Views Knowledge Distillation (VKD)，将这种visual variety （视觉多样性）固定为teacher-student框架中的监督信息号，其中老师教育观察较少视图的学生。结果，学生不仅在表现在超过了老师，还在image-to-video任务中成为了SOTA。 阅读全文

摘要： 针对现有工作中存在的错误伪标签问题，文章通过优化样本间的相似性度量和伪标签置信度评估策略来改善这个问题，从而提供模型性能。具体地，文章提出了方差置信度的概念，并设计了方差二次采样算法将方差置信度和距离置信度结合起来作为采样准则，同时还提出了方差衰减策略来更好了优化选择出来的伪标签样本。最终，该方法将MARS数据集上的mAP和Rank1分别提高了 3.94%和4.55%。 阅读全文

摘要： 文章提出了一种新的三元组损失 HSoften-Triplet-Loss，在处理one-shot Re-ID任务中的噪声伪标签样本方面非常强大。文章还提出了一种伪标签采样过程，确保了在保持高可靠性的同时为训练图像形成正对和负对的可行性。与此同时，文章采用对抗学习网络，为训练集提供更多具有相同ID的样本，从而增加了训练集的多样性。 实验表明，文章框架在Market-1501（mAP 42.7％）和DukeMTMC-Reid数据集（mAP 40.3％）取得了最先进的Re-ID性能。 阅读全文

摘要： 文章已经表明，对于将知识从整体模型或高度正则化的大型模型转换为较小的蒸馏模型，蒸馏非常有效。在MNIST上，即使用于训练蒸馏模型的迁移集缺少一个或多个类别的任何示例，蒸馏也能很好地工作。对于Android语音搜索所用模型的一种深层声学模型，我们已经表明，通过训练一组深层神经网络实现的几乎所有改进都可以提炼成相同大小的单个神经网络，部署起来容易得多。 对于非常大的神经网络，甚至训练一个完整的集成也是不可行的，但是我们已经表明，通过学习大量的专家网络，可以对经过长时间训练的单个非常大的网络的性能进行显着改善。每个网络都学会在高度易混淆的群集中区分类别。我们尚未表明我们可以将专家网络的知识提炼回单个大型网络中。 阅读全文

摘要： 为了减轻噪音伪标签的影响，文章提出了一种无监督的MMT（Mutual Mean-Teaching）方法，通过在迭代训练的方式中使用离线精炼硬伪标签和在线精炼软伪标签，来学习更佳的目标域中的特征。同时，还提出了可以让Traplet loss支持软标签的soft softmax-triplet loss”。 该方法在域自适应任务方面明显优于所有现有的Person re-ID方法，改进幅度高达18.2％。 阅读全文

摘要： 文章提出两种简单有效的方法来解决半监督情况下标签估计环节中存在的问题。作者设计特征空间正则化（FSR）损失以调整特征空间中样本的分布，同时，提出联合距离，将最近邻居距离与类间距离结合起来估计未标记数据的伪标签。该方法的Rank-1准确性在Market-1501和DukeMTMC-reID数据集上分别超过the state of the art 方法12.1%和10.1%。 阅读全文

摘要： 本文介绍了针对few-shot图像分类的最新代表性元学习方法。 建立必要的符号后，我们首先在数学上制定few-shot learning，并为一般的one-shot训练和评估提供一个伪编码算法。 然后，我们提供分类学和对最近的少量元学习方法的简要回顾，以帮助研究人员快速掌握该领域的最新方法。 最后，我们总结了一些重大挑战，以新的前景总结了本综述。 阅读全文

摘要： 原文链接 小样本学习与智能前沿 。 在这个公众号后台回复“200527”，即可获得课件电子资源。 Few-shot image classification Three regimes of image classification Problem formulation Training set 阅读全文

摘要： 本文为卡耐基梅隆大学Probabilistic Graphical Models 课程中 Elements of Meta-Learning 关于元学习和元强化学习部分的内容讲解，包括元学习的基础介绍和元强化学习的元素介绍两个部分，具体内容如下： 阅读全文