Not All Features Matter:Enhancing Few-shot CLIP with Adaptive Prior Refinement

7月前作者：秋冬晚归客分类：Toy博客阅读(23) 违法举报

这篇具有很好参考价值的文章主要介绍了Not All Features Matter:Enhancing Few-shot CLIP with Adaptive Prior Refinement。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

APE是ICCV2023的一篇文章，也是我在这个领域里接触的第一篇文章，这里主要做一下记录。

论文链接：2304.01195.pdf (arxiv.org)

代码链接：yangyangyang127/APE: [ICCV 2023] Code for "Not All Features Matter: Enhancing Few-shot CLIP with Adaptive Prior Refinement" (github.com)

概述

对于多模态任务而言，大量数据的获得是耗费人力和物力的，因此few-shot的训练方式一直备受关注。目前已经证实了CLIP模型的超强性能，很多研究人员提出了基于CLIP的检测算法，然而多数都是在研究如何更好地利用CLIP提取出的features，本文则从“Not All Features Matter”的角度进行了新的探索，提出了一个Adaptive Prior rEfinement方法，用于处理特征中的冗余信息，除此之外还提出了无需训练的APE和需要训练的APE-T方法。

相关介绍

基于CLIP的few-shot的图像分类工作已经存在很多，大致可以分为两类——Non-prior Methods和Prior-based Methods。 Not All Features Matter:Enhancing Few-shot CLIP with Adaptive Prior Refinement,论文,算法,pytorch,机器学习,人工智能

如上图所示，图(a)就是前者[CLIP-Adapter]，这种方法随机初始化无CLIP先验的可学习模块，并在少量训练中进行优化。这种网络只引入了轻量级的可学习参数，但由于没有为附加模块明确考虑预训练的先验知识，因此其精度有限。图(b)为Prior-based Methods，基于先验的方法(Prior-based Methods)通过从少数镜头数据中提取clip提取的特征构建键值缓存模型，能够以不需要训练的方式进行识别，包括Tip-Adapter和Tip-X。他们可以进一步将缓存模型视为执行良好的初始化，并微调缓存键以获得更好的分类精度。这些基于先验的方法明确地将先验知识注入到训练过程中，但由于缓存大小大且可学习参数多，因此比较麻烦。而作者的想法就是将二者结合起来，提出了一个对the test image, the refined cache model, and the textual representations的三角关系进行探究的APE方法。

模型结构

Prior Refinement of CLIP

这个模块主要是通过提出的两个指标对特征进行去冗余操作，实现对不同的下游任务场景提取出重要的特征通道，从而改善特征质量。

Inter-class Similarity

Not All Features Matter:Enhancing Few-shot CLIP with Adaptive Prior Refinement,论文,算法,pytorch,机器学习,人工智能

如果直接按照上图计算，那么计算成本过大，由于预训练好的CLIP已经能够很好对视觉语言信息进行匹配，因此作者选择使用文本特征替代图像的计算。通过计算得到了特征通道之间的相似度，从而能够选择出相似度较小的一部分特征通道，作为重要信息。

Not All Features Matter:Enhancing Few-shot CLIP with Adaptive Prior Refinement,论文,算法,pytorch,机器学习,人工智能

Inter-class Variance

除了计算Inter-class Similarity，作者还引入了 Inter-class Variance用于提出差异度较大的一部分特征通道。

Not All Features Matter:Enhancing Few-shot CLIP with Adaptive Prior Refinement,论文,算法,pytorch,机器学习,人工智能

最后通过调节系数对二者进行调整，构成了文章所提出了Prior Refinement of CLIP。其实，可以看出这个操作和通道注意力存在类似的思想，都是在通道维度上进行信息加强，还有很多其他的工作也是基于了类似的思想，可以作为一个idea用于不同领域，值得借鉴。

Training-free APE

Not All Features Matter:Enhancing Few-shot CLIP with Adaptive Prior Refinement,论文,算法,pytorch,机器学习,人工智能

如上图所示，基于先验优化(PR)， APE以无训练的方式探索了视觉语言表征的三边关系。

Not All Features Matter:Enhancing Few-shot CLIP with Adaptive Prior Refinement,论文,算法,pytorch,机器学习,人工智能

Training-required APE-T

Not All Features Matter:Enhancing Few-shot CLIP with Adaptive Prior Refinement,论文,算法,pytorch,机器学习,人工智能

Not All Features Matter:Enhancing Few-shot CLIP with Adaptive Prior Refinement,论文,算法,pytorch,机器学习,人工智能

Not All Features Matter:Enhancing Few-shot CLIP with Adaptive Prior Refinement,论文,算法,pytorch,机器学习,人工智能文章来源地址https://www.toymoban.com/news/detail-639646.html

到了这里，关于Not All Features Matter:Enhancing Few-shot CLIP with Adaptive Prior Refinement的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：

领支付宝红包赞助服务器费用

【论文阅读】 Few-shot object detection via Feature Reweighting

Few-shot object detection的开山之作之一 ~~ 属于Metric-based Methods 特征学习器使用来自具有足够样本的基本类的训练数据来提取可推广以检测新对象类的meta features。The reweighting module将新类别中的一些support examples转换为全局向量，该全局向量indicates meta features对于检测相应物体的重

2023年04月09日
浏览(32)
【论文阅读】Language Models are Few-Shot Learners(GPT-3)

本文简要介绍了GPT-3的背景，模型架构，训练数据以及训练方式部分。具体训练细节，实验结果很多，可以在用到的时候再看本文剖析了pretrain-finetune架构存在的问题：对于每个新的任务，都需要大量的标注数据将表达能力更强的模型（预训练阶段要求用大模型）在比较窄的

2024年02月14日
浏览(41)
(GPT3)Language Models are Few-Shot Learners论文阅读

论文地址：https://arxiv.org/pdf/2005.14165v4.pdf 最近的工作表明，通过对大量文本语料库进行预训练，然后对特定任务进行微调，许多 NLP 任务和基准测试取得了实质性进展。虽然在体系结构中通常与任务无关，但此方法仍然需要特定于任务的微调数据集，其中包含数

2024年02月08日
浏览(51)
杂记 | Langchain中few-shot提示词模板的使用（给提示词添加示例）

Langchain是一个集成多个大语言模型的开源框架，可以使用它来快速开发大语言模型应用。本文的代码使用到的模块：先来看看普通的提示词模板如何使用，效果如何：在这个示例中，对大模型的输入为：大模型的输出为：可以看到输出并不能很好地满足我们的需求，因为

2024年02月07日
浏览(26)
论文笔记|CVPR2023:Semantic Prompt for Few-Shot Image Recognition

论文地址：https://arxiv.org/pdf/2303.14123.pdf 这是一篇2023年发表在CVPR上的论文，论文题目是Semantic Prompt for Few-Shot Image Recognitio，即用于小样本图像识别的语义提示。第一，最近几项研究利用语义信息来进行小样本学习的研究。一方面因为通过少量样本去识别新类别很难，就想使

2024年02月04日
浏览(38)
论文阅读---Albert :Few-shot Learning with Retrieval Augmented Language Models

增强语言模型 Augmented Language Models https://arxiv.org/abs/2208.03299 提前知识： BERT （Bidirectional Encoder Representations from Transformers）是一种预训练语言模型，它通过在大规模文本数据上进行预训练，学习文本的双向表示，并在多种NLP任务中展现出卓越的性能。BERT的双向性意味着它能够

2024年04月23日
浏览(27)
【论文精读】CONTAINER: Few-Shot Named Entity Recognition via Contrastive Learning

一篇来自ACL2022的文章，采用对比学习的方法提高模型的性能，在实现方法上和实验论证部分很值得借鉴，至于和大模型性能的对比，还需要进一步的调研~ 低资源场景NER不可或缺，但现有的方法仅从源域学习特定的语义特征和中间表示，这会影响对目标域的泛化能力，降低性

2024年02月05日
浏览(41)
论文笔记|CVPR2023:Supervised Masked Knowledge Distillation for Few-Shot Transformers

这篇论文的题目是用于小样本Transformers的监督遮掩知识蒸馏论文接收： CVPR 2023 论文地址： https://arxiv.org/pdf/2303.15466.pdf 代码链接： https://github.com/HL-hanlin/SMKD 1.ViT在小样本学习（只有少量标记数据的小型数据集）中往往会过拟合，并且由于缺乏归纳偏置而导致性能较差；

2024年02月06日
浏览(37)
Spectral Adversarial MixUp for Few-Shot Unsupervised Domain Adaptation论文速读

域偏移是临床应用中的常见问题，其中训练图像（源域）和测试图像（目标域）处于不同的分布下。已经提出了无监督域适应（UDA）技术，以使在源域中训练的模型适应目标域。但是，这些方法需要来自目标域的大量图像进行模型训练。本文提出了一种新的少样本无监督域

2024年04月28日
浏览(30)
Prompt-“设计提示模板：用更少数据实现预训练模型的卓越表现，助力Few-Shot和Zero-Shot任务”

通过设计提示（prompt）模板，实现使用更少量的数据在预训练模型（Pretrained Model）上得到更好的效果，多用于：Few-Shot，Zero-Shot 等任务。 prompt 是当前 NLP 中研究小样本学习方向上非常重要的一个方向。举例来讲，今天如果有这样两句评论：什么苹果啊，都没有苹果味，怪怪

2024年02月11日
浏览(30)