今天给大家推荐一个很好上手的创新思路：小样本学习+CLIP。

这个思路的优势在于：通过利用CLIP模型强大的跨模态表征能力，再结合小样本学习技术，我们就可以在仅提供少量标注样本的情况下，快速适应新的任务，在多个领域实现高效的学习。

更值得一提的是，最近这个方向吸引到了一大波研究兴趣，各大顶会顶刊上相关成果数量繁多，比如收录于CVPR 2024的AMU-Tuning方法、DeIL方法等，以及顶刊IJCV 2024上的CLIP-FSAR框架，投稿热度可见一斑。

为了帮助有论文需求的同学更好地掌握这个创新思路，今天我就来分享11种小样本学习+CLIP创新方法，都是今年最新，开源代码已附~

扫码添加小享，回复“小样本结合”  

免费获取全部论文+开源代码

AMU-Tuning: Effective Logit Bias for CLIP-based Few-shot Learning

方法：论文提出了一种名为AMU-Tuning的方法，用于改进基于CLIP模型的小样本学习性能。该方法通过分析关键组件——logit特征、logit预测器和logit融合——来学习有效的logit偏差，并通过利用辅助特征、多分支训练的特征初始化线性分类器以及基于不确定性的融合策略，将logit偏差有效地整合到CLIP中，以提高小样本分类的准确性。

创新点：

• 从logit偏差的角度总结和分析了现有的方法，揭示了logit偏差对few-shot分类性能的影响。

• 提出了AMU-Tuning方法，通过利用适当的辅助特征来预测logit偏差，并使用多分支训练的特征初始化线性分类器进行训练。

• 引入了基于不确定性的融合方法，将logit偏差融入CLIP进行few-shot分类。

CLIP-guided Prototype Modulating for Few-shot Action Recognition

方法：论文提出了一个名为CLIP-FSAR的框架，用于改进基于CLIP模型的小样本动作识别性能。该框架通过两个关键组件来实现：一是视频-文本对比目标，通过对比视频和相应的类别文本描述来缩小CLIP与小样本视频任务之间的差异；二是原型调制，利用CLIP中的可转移文本概念，通过时间Transformer自适应地细化视觉原型。

创新点：

• 提出了一种全新的CLIP-FSAR方法，该方法充分利用了CLIP模型的多模态知识。这是第一次尝试将大规模对比语言-图像预训练应用于少样本动作识别领域。

• 设计了视频-文本对比目标用于CLIP的适应性改变，并通过实现时间Transformer来自适应地调节视觉支持原型的特征。

扫码添加小享，回复“小样本结合”  

免费获取全部论文+开源代码

Transductive Zero-Shot and Few-Shot CLIP

方法：论文提出了一种名为Transductive Zero-Shot and Few-Shot CLIP的方法，用于改进基于CLIP模型的小样本图像分类任务。该方法采用归纳推理，通过联合预测一批未标记查询样本的类别，而不是独立处理每个实例。作者还通过构建视觉-文本概率特征并采用Dirichlet分布建模，提高了分类的准确性。

创新点：

• 对该聚类方法EM-Dirichlet及其利用硬分配的变体Hard EM-Dirichlet进行了比较评估，与一系列聚类目标函数和算法进行比较。这是对聚类方法进行全面消融研究的第一步。

• 展示了跨视觉-语言模型的转导推理可以提高图像分类准确性，包括零样本情况。这是对转导推理在这一领域中的新应用。

DeIL : Direct-and-Inverse CLIP for Open-World Few-Shot Learning

方法：论文通过引入直接和反向概念，提出了一种创新的方法DeIL，利用基于CLIP的基础模型有效地进行开放世界少样本学习，包括DeIL-Pretrainer和DeIL-Adapter两个组件，通过纠正噪声标签和对数据进行增强来改进分类性能，实验证明了Direct-and-Inverse概念在OFSL中的有效性和优越性。

创新点：

• 通过巧妙地应用直接反演的概念，DeIL方法充分利用了基于CLIP的方法的内在能力和先验知识，显著提高了OFSL的性能。

• 利用冻结的DALL-E模型扩展了OFSL的数据，根据修正后的类别名称生成图像。通过增加和多样化支持样本，这种方法解决了FSL中数据稀缺的问题，提高了模型在查询数据上的泛化能力和性能。

扫码添加小享，回复“小样本结合”  

免费获取全部论文+开源代码