miniImageNet
PulseAugur coverage of miniImageNet — every cluster mentioning miniImageNet across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的WIPT方法通过查询特定适应性增强跨域小样本学习
研究人员开发了一种名为“实例内原型变换器”（WIPT）的新方法，用于跨域小样本学习。该技术使用极少量的标记示例来适应新视觉域的分类器，而无需在测试时更新参数。WIPT通过联合转换未标记的查询数据和标记的支持嵌入来创建查询特定的类别均值来实现这一点。实验表明，WIPT可以在CUB和EuroSAT等特定数据集上提高性能，尤其是在低样本场景下，同时还提供流式兼容性和减少内存使用等优势。
-
新研究探索人工智能模型持续学习的先进技术 · 追踪8个来源
研究人员正在开发持续学习的新方法，旨在使人工智能模型能够在不忘记先前获得的知识的情况下学习新信息。一种方法，“具有自组织映射和合成重放的类增量持续学习”，利用自组织映射（SOMs）和合成数据生成在CIFAR-10和CIFAR-100等基准测试中取得有竞争力的性能。另一篇论文，“具有增长自组织映射和合成重放的无监督持续学习”，通过无监督方式使用增长SOMs（GSOMs）扩展了这一点，即使与监督方法相比也显示出强大的结果。此外，还提出了一…
-
Mamba-FSCIL：用于少样本类别增量学习的选择性状态空间模型
研究人员开发了Mamba-FSCIL，一种利用选择性状态空间模型（SSM）的少样本类别增量学习新方法。该方法通过采用输入依赖参数进行动态适应，解决了顺序学习中平衡静态和动态架构的挑战。Mamba-FSCIL引入了一个双选择性SSM投影仪来解耦基类和新类处理，以及一个类敏感选择性扫描机制，以在适应新类的同时最大限度地减少对现有知识的干扰。在miniImageNet和CIFAR-100等基准数据集上的实验表明，Mamba-FSCIL取得了…
-
新的AnomalyMatch框架使用AI发现稀有对象
研究人员开发了AnomalyMatch，一个用于在大型数据集中识别稀有对象的创新框架，在天文学和计算机视觉等标记数据稀缺的领域特别有用。该系统结合了半监督FixMatch算法和主动学习，利用EfficientNet分类器将异常检测视为二元分类问题。AnomalyMatch已集成到ESA Datalabs平台，并在天文和自然图像基准测试中表现出色，即使在初始标记数据很少的情况下也取得了很高的AUROC和AUPRC分数。其主动学习组件允许…
-
新算法提高了去中心化AI优化效率
研究人员开发了S$^3$LDBO，这是一种专为网络化AI系统中的去中心化双层优化设计的新算法。该算法使用快照机制，允许代理间歇性地跳过计算成本高昂的导数评估。目标是在保持具有竞争力的性能的同时，提高超参数优化和元学习等任务的效率。
-
XOResNet通过新颖的残差学习推动深度脉冲神经网络发展
研究人员开发了XOResNet，这是一种用于深度脉冲神经网络（SNNs）的新型架构，可提高学习和表示能力。该设计包含一个OR-ADD快捷连接，以更好地合并来自不同分支的输出，并利用XOR元残差来减少主干中的冗余学习。在多个数据集上的实验表明，XOResNet超越了当前最先进的深度SNNs，为高性能神经形态系统提供了新的见解。