最新新闻
微信公众号 在数据量少时，深度学习的性能会受到极大的限制。小样本学习旨在利用先验知识在有限的新任务中快速得出结论，从而大幅度缩小人工智能和人类之间的差距。围绕小样本学习理论，聚焦于知识表征手段以及知识在神经网络中的嵌入,我们研究了超类表示、图网络模型、知识推理、CLIP 引导下的零样本分类等算法设计，缓解增量小样本学习过程中常见的灾难性遗忘与特征漂移问题，解决小样本语境下的图像语义分割、图像分类等经典视觉问题。
微信公众号 在数据量少时，深度学习的性能会受到极大的限制。小样本学习旨在利用先验知识在有限的新任务中快速得出结论，从而大幅度缩小人工智能和人类之间的差距。围绕小样本学习理论，聚焦于知识表征手段以及知识在神经网络中的嵌入,我们研究了超类表示、图网络模型、知识推理、CLIP 引导下的零样本分类等算法设计，缓解增量小样本学习过程中常见的灾难性遗忘与特征漂移问题，解决小样本语境下的图像语义分割、图像分类等经典视觉问题。