Prototypical Networks for Few-shot Learning
PulseAugur coverage of Prototypical Networks for Few-shot Learning — every cluster mentioning Prototypical Networks for Few-shot Learning across labs, papers, and developer communities, ranked by signal.
-
新方法在身份证件攻击零样本检测中实现9%的EER
研究人员开发了一种新颖的方法，用于身份证件呈现攻击检测（PAD）的零样本域泛化。该方法利用带有EfficientNet-V2-b0骨干网络的原型网络，每类仅需四个真实样本即可建立可靠的原型。通过改变卡片域而保持PAD类别不变的片段式训练机制，使网络能够学习通用的攻击线索。该系统在多国数据集和DLC-2021基准测试上实现了约9%的平均错误率（EER），优于现有基线，并实现了隐私保护、可扩展的跨司法管辖区远程注册。
-
PrintGuard 2.0 发布，配备 5MB TFLite 模型，支持浏览器和 CPython
PrintGuard 2.0 是一个用于检测 3D 打印故障的更新系统，它利用 ShuffleNetV2 编码器和原型网络进行少样本故障检测。新版本拥有一个显著减小的 TensorFlow Lite 模型，约 5 MB，可以通过 Pyodide 在 CPython 和浏览器环境中未经修改地运行。这使得在无需重新训练的情况下，可以灵活地部署和调整灵敏度及阈值，并采用动态推理调度以实现公平性和效率。
-
新框架用最少数据实现可穿戴设备活动识别个性化
研究人员开发了一种新的框架，用于在可穿戴设备上个性化人类活动识别（HAR）模型。这种无梯度的方法可以重新利用现有的HAR分类器，用最少的校准数据适应新用户，即使这些数据是未标记的或不可用的。该方法在准确性方面显示出显著的改进，监督自适应将性能提高了高达33.44个百分点，无监督自适应提高了高达32.13个百分点。
-
少样本学习解决生产AI的冷启动问题
少样本学习中的冷启动问题，即模型必须从极少数示例中进行泛化，在生产机器学习中构成了重大挑战。标准监督学习甚至迁移学习在这些场景中常常因过拟合和领域崩溃而失败。少样本学习通过三种主要哲学方法来解决这个问题：基于度量的方法侧重于嵌入空间中的几何关系，基于优化方法旨在快速适应，以及基于模型的方法整合先验知识。
-
VDLF-Net 通过变分特征融合推进少样本视觉学习
研究人员开发了 VDLF-Net，这是一种用于自适应和少样本视觉学习的新型架构。该模型集成了变分自编码器（VAE）和一个多尺度卷积神经网络（CNN）骨干。VAE 的潜在向量和 softmax-gate 机制增强了 CNN 的特征图，从而提高了监督分类和少样本预测任务的性能。消融研究表明，精细分辨率尺度对 VDLF-Net 的有效性至关重要，在标准基准测试中优于 ResNet-50 Enhanced 和 Prototypical Net…