网上投注信誉-网上投注买码群-大发888娱乐场游戏下载

本網(wǎng)訊（軟件學(xué)院）近日，人工智能領(lǐng)域國(guó)際頂級(jí)會(huì)議AAAI-2023傳來(lái)喜訊，軟件學(xué)院青年教師魏欣博士的論文“Feature Distribution Fitting with Direction-Driven Weighting for Few-Shot Images Classification”被接收。作為CCF-A類(lèi)推薦會(huì)議，AAAI會(huì)議每年舉辦一次。據(jù)官方公布，今年共投稿8777篇論文，錄用率不足20%。

論文優(yōu)化策略概述圖

近年來(lái)，小樣本學(xué)習(xí)受到越來(lái)越多的關(guān)注，并取得了重大進(jìn)展。然而，小樣本學(xué)習(xí)方法大多側(cè)重于訓(xùn)練過(guò)程的優(yōu)化以及度量的學(xué)習(xí)和樣本生成網(wǎng)絡(luò)的學(xué)習(xí)，這些方法忽略了學(xué)習(xí)小樣本類(lèi)的真實(shí)特征分布的重要性。

針對(duì)上述問(wèn)題，論文提出一種方向驅(qū)動(dòng)加權(quán)方法，使小樣本類(lèi)的特征分布精確地?cái)M合真實(shí)分布。學(xué)習(xí)到的特征分布可以為小樣本類(lèi)生成無(wú)限制數(shù)量的訓(xùn)練樣本，以避免模型過(guò)擬合。具體而言，所提出的方法包括兩種優(yōu)化策略：一是方向驅(qū)動(dòng)策略，用于捕獲能夠描述特征分布的更完整的方向信息，如圖(a)所示；二是相似性加權(quán)策略，用于估計(jì)擬合過(guò)程中不同類(lèi)別的影響并分配相應(yīng)的權(quán)重，如圖(b)所示。在miniImageNet、CIFAR-FS和CUB等標(biāo)準(zhǔn)小樣本學(xué)習(xí)基準(zhǔn)數(shù)據(jù)集上，所提出方法在1-shot設(shè)置下的平均性能優(yōu)于當(dāng)前最先進(jìn)的方法3%。出色的性能和引人注目的可視化顯示表明，該方法可以更準(zhǔn)確地估計(jì)真實(shí)分布。

編    輯：付自強(qiáng)

責(zé)任編輯：許  航