Few-shot Unsupervised Domain Adaptation for Multi-modal Cardiac Image Segmentation
Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)(埃尔朗根-纽伦堡弗里德里希-亚历山大大学)
无监督域自适应(UDA)方法旨在通过使用未标记的目标域和标记的源域数据来减少源域和目标域之间的差距,然而,在医学领域中,目标域数据可能并不总是容易获得,并且获取新的样本通常是耗时的。这限制了UDA方法在新领域的发展。在本文中,我们探讨了UDA的潜力,在一个更具挑战性的,而现实的情况下,只有一个未标记的目标患者样本是可用的。我们称之为Few-Shot无监督域自适应(FUDA)。我们首先从源图像生成目标样式图像,并使用随机自适应实例归一化(RAIN)从单个目标患者中探索不同的目标样式。然后,用生成的目标图像以监督的方式训练分割网络。我们的实验表明,与基线相比,FUDA在目标域上的分割性能提高了0.33的Dice得分,并且在更严格的单次设置下,它也给出了0.28的Dice得分提高。我们的代码可在\url{https://github.com/MingxuanGu/Few-shot-UDA}上获得。
2022-01-28 cs.CV eess.IV
MaskSplit: Self-supervised Meta-learning for Few-shot Semantic Segmentation
MonolithAI;Middle East Technical University(中东技术大学);Hacettepe University(哈切特佩大学)
就像其他少样本学习问题一样,Few-Shot分割旨在最大限度地减少对手动注释的需求,这在分割任务中成本特别高。即使Few-Shot设置降低了新测试类的成本,仍然需要注释训练数据。为了缓解这一需求,我们提出了一种自监督训练方法来学习Few-Shot分割模型。我们首先使用无监督显著性估计来获得图像上的伪掩模。然后,我们训练一个简单的原型为基础的模型在不同的分裂的伪掩模和增强的图像。我们广泛的实验表明,所提出的方法取得了可喜的成果,突出了自我监督训练的潜力。据我们所知,这是第一个工作,解决无监督的Few-Shot分割问题的自然图像。
2021-11-03 cs.CV
DiffCut: Catalyzing Zero-Shot Semantic Segmentation with Diffusion Features and Recursive Normalized Cut
本研究提出无监督零样本分割方法DiffCut,以扩散UNet编码器为基础视觉编码器,结合递归归一化割算法利用其最终自注意力块特征,在零样本分割任务上性能超越现有最优方法,证实扩散UNet编码器可作为下游任务的基础视觉编码器。
2025-10-02 cs.CV
Cut and Learn for Unsupervised Object Detection and Instance Segmentation
FAIR, Meta AI(元人工智能公司基础人工智能研究院);UC Berkeley(加州大学伯克利分校);ICSI(国际计算机科学研究所);University of Michigan(密歇根大学)
我们提出了Cut-and-LEaRn(CutLER),这是一种用于训练无监督目标检测和分割模型的简单方法。我们利用自监督模型的属性来“发现”没有监督的对象,并将其放大到训练一个没有任何人类标签的最先进的本地化模型。CutLER首先使用我们提出的MaskCut方法为图像中的多个对象生成粗糙掩模,然后使用我们强大的损失函数在这些掩模上学习检测器。我们通过对模型的预测进行自我训练来进一步提高性能。与以前的工作相比,CutLER更简单,兼容不同的检测架构,并检测多个对象。CutLER也是一个zero-shot无监督检测器,在视频帧,绘画,草图等领域的11个基准上将检测性能AP 50提高了2.7倍以上。通过微调,CutLER作为一个低拍摄检测器,在使用5%标签进行训练时,在COCO上超过MoCo-v2 7.3% APbox和6.6% APmask。
2023-01-26 cs.AI cs.CV cs.LG
Unsupervised Embedding Adaptation via Early-Stage Feature Reconstruction for Few-Shot Classification
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
我们提出了无监督嵌入适应下游的Few-Shot分类任务。基于深度神经网络在记忆之前学习概括的发现,我们开发了早期特征重建(ESFR)-一种新的适应方案,具有特征重建和维度驱动的早期停止,可以找到可概括的特征。对ESFR进行验证可以持续提高基线方法在所有标准设置上的性能,包括最近提出的转导方法。ESFR与transductive方法结合使用,进一步实现了mini-ImageNet,tiered-ImageNet和CUB的最新性能;特别是在1-shot设置上,与之前的最佳性能方法相比,准确率提高了1.2%~2.0%。
2021-06-22 cs.CV
Attributes2Classname: A discriminative model for attribute-based unsupervised zero-shot learning
HAVELSAN Inc.(HAVELSAN 公司);Bilkent University(比尔肯特大学);Hacettepe University(哈杰特佩大学)
我们提出了一种新的方法,无监督的零样本学习(ZML)的类的基础上,他们的名字。大多数现有的无监督的CPDL方法旨在学习用于直接比较图像特征和类名的模型。然而,这被证明是一个困难的任务,由于非视觉语义的主导地位,在底层向量空间嵌入的类名。为了解决这个问题,我们有区别地学习一个单词表示,使得类和属性名称组合之间的相似性与视觉相似性一致。与传统的基于属性存在的零样本学习方法相反,我们的方法绕过了费力的属性-类关系注释。此外,我们提出的方法使纯文本训练成为可能,因此,可以在不需要收集额外图像数据的情况下增强训练。实验结果表明,我们的方法在三个基准数据集上获得了最先进的结果。
2017-08-05 cs.CV
A Self-supervised GAN for Unsupervised Few-shot Object Recognition
Oregon State University(俄勒冈州立大学)
本文讨论了无监督的Few-Shot对象识别,其中所有的训练图像是未标记的,测试图像被划分为查询和一些标记的支持图像,每个对象类的兴趣。训练图像和测试图像不共享对象类。我们扩展了香草GAN与两个损失函数,都旨在自监督学习。第一个是重建损失,其强制所述解码器重建已用于生成“假”图像的概率采样的潜码。第二个是三重丢失,它强制编码器输出更相似图像的更接近的图像编码。在Few-Shot分类的背景下进行评价、比较和详细的消融研究。我们的方法在Mini-Imagenet和Tiered-Imagenet数据集上的表现明显优于最先进的方法。
2020-10-19 cs.CV
Toward Zero-Shot Unsupervised Image-to-Image Translation
Peking University(北京大学);Tencent Inc.(腾讯公司)
最近的研究表明,在无监督的图像到图像的翻译显着的成功。然而,如果不能访问目标类中的足够图像,则学习从源类到目标类的映射总是遭受模式坍塌,这限制了现有方法的应用。在这项工作中,我们提出了一个zero-shot无监督的图像到图像的翻译框架,以解决这一限制,通过关联类别与他们的边信息,如属性。为了将翻译器推广到以前看不见的类,我们引入了两种策略来利用语义属性所跨越的空间。具体来说,我们建议保留语义关系的视觉空间和扩展属性空间,利用属性向量的看不见的类,从而鼓励译者探索模式的看不见的类。在不同数据集上的定量和定性结果证明了我们所提出的方法的有效性。此外,我们证明了我们的框架可以应用于许多任务,如zero-shot分类和时装设计。
2020-07-28 cs.CV
Recovering the Missing Link: Predicting Class-Attribute Associations for Unsupervised Zero-Shot Learning
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
收集所有视觉类别的训练图像不仅昂贵而且不切实际。零样本学习(Zero-shot learning,简称ZRL),特别是使用属性,为这个问题提供了一个实用的解决方案。然而,在测试时,大多数基于属性的方法需要对每个不可见类的属性关联进行完整描述。提供这些关联非常耗时,并且通常需要特定领域的知识。在这项工作中,我们的目标是进行基于属性的zero-shot分类在无监督的方式。我们提出了一种学习关系的方法,将类嵌入与其相应的属性相结合。只给出一个看不见的类的名称,学习的关系模型用于自动预测类-属性关联。此外,我们的模型有助于在数据集之间传输属性,而无需额外的努力。整合来自多个来源的知识会显著提高绩效。我们在两个公共数据集上进行评估:具有属性的动物和aPascal/aYahoo。我们的方法在预测类-属性关联和无监督的类关联方面都优于最先进的方法。
2016-10-15 cs.CV
COCO-FUNIT: Few-Shot Unsupervised Image Translation with a Content Conditioned Style Encoder
Boston University(波士顿大学);NVIDIA(英伟达)
无监督图像到图像翻译旨在学习给定域中的图像到不同域中的类似图像的映射,而无需对映射进行显式监督。Few-Shot无监督图像到图像转换进一步尝试通过利用在推理时提供的未见过域的示例图像来将模型推广到未见过域。虽然非常成功,但现有的Few-Shot图像到图像翻译模型发现难以在模拟看不见的域的外观的同时保留输入图像的结构,我们将其称为内容丢失问题。当输入图像和示例图像中的对象的姿态非常不同时,这是特别严重的。为了解决这个问题,我们提出了一个新的Few-Shot图像翻译模型,COCO-FUNIT,它计算的输入图像和一个新的模块称为恒定的风格偏差的条件下的示例图像的风格嵌入。通过大量的实验验证与比较的国家的最先进的,我们的模型显示出有效性,在解决内容丢失的问题。有关代码和预训练模型,请访问https://nvlabs.github.io/COCO-FUNIT/。
2020-07-29 cs.CV
Diffuse, Attend, and Segment: Unsupervised Zero-Shot Segmentation using Stable Diffusion
Google(谷歌公司)
本文提出利用稳定扩散模型的自注意力层,通过基于KL散度的迭代合并过程生成分割掩码,在无需训练和语言依赖的条件下实现无监督零样本分割,并在COCO-Stuff-27上显著超越先前方法。
2024-04-02 cs.CV
Diversity Helps: Unsupervised Few-shot Learning via Distribution Shift-based Data Augmentation
State Key Laboratory for Novel Software Technology, Nanjing University(南京大学计算机软件新技术国家重点实验室)
少样本学习是指在只有少量训练样本的情况下学习新的概念,近年来得到了广泛的研究。然而,目前的大多数作品严重依赖于一个大规模的标记辅助集训练他们的模型在一个episodic训练范式。这种监督设置基本上限制了少样本学习算法的广泛使用。相反,在本文中,我们开发了一种新的框架,称为无监督的少样本学习via分布偏移-Based Data Augmentation(ULDA),它在使用数据增强时关注每个构造的借口Few-Shot任务内部的分布多样性。重要的是,我们强调了分布多样性在基于增强的借口Few-Shot任务中的价值和重要性,这可以有效地缓解过拟合问题,使Few-Shot模型学习更鲁棒的特征表示。在ULDA中,我们系统地研究了不同增强技术的效果,并提出在每个Few-Shot任务中,通过增强这两个集合的差异(即,分布偏移)。通过这种方式,即使结合简单的增强技术(例如,随机裁剪、颜色抖动或旋转),我们的ULDA可以产生显著的改进。在实验中,通过ULDA学习的Few-Shot模型可以实现卓越的泛化性能,并在Omniglot和miniImageNet上的各种已建立的少样本学习任务中获得最先进的结果。源代码可以在https://github.com/WonderSeven/ULDA上找到。
2020-09-17 cs.CV
MICM: Rethinking Unsupervised Pretraining for Enhanced Few-shot Learning
School of Computer Science and Technology, Huazhong University of Science and Technology(华中科技大学计算机科学与技术学院);School of Computer Science, Peking University(北京大学计算机学院)
本文提出了一种名为MICM的无监督预训练新范式,通过结合对比学习与掩码图像建模的优势,有效解决了少样本学习中泛化与判别性的权衡问题,显著提升了下游U-FSL任务的性能。
2024-08-23 cs.CV
A One-Shot Texture-Perceiving Generative Adversarial Network for Unsupervised Surface Inspection
Tsinghua University(清华大学);University of Cincinnati(辛辛那提大学)
由于目标表面和缺陷区域的外观高度多样化,视觉表面检测是一项具有挑战性的任务。以前的尝试严重依赖于大量带有手动注释的训练样本。但是,在一些实际情况下,很难获得大量样品进行检查。为了解决这个问题,我们提出了一个分层的纹理感知生成对抗网络(HTP-GAN),它是从一个无监督的计划中的一次性正常图像中学习的。具体来说,HTP-GAN包含一个卷积GANs金字塔,可以同时捕获图像的全局结构和细粒度表示。这一创新有助于区分缺陷表面区域和正常表面区域。此外,在该算法中,设计了一个纹理感知模块,通过方向卷积捕获正常图像的空间不变表示,使其对缺陷区域更加敏感。在各种数据集上的实验一致地证明了我们的方法的有效性。
2021-06-12 cs.CV
ZstGAN: An Adversarial Approach for Unsupervised Zero-Shot Image-to-Image Translation
University of Science and Technology of China(中国科学技术大学);Microsoft Research Asia(微软亚洲研究院)
图像到图像的翻译模型在不同领域之间的图像传输方面表现出了显著的能力。现有的大多数工作都遵循源域和目标域在训练和推理阶段保持相同的设置,这不能推广到将图像从一个看不见的域转换到另一个看不见的域的场景。在这项工作中,我们提出了无监督Zero-Shot图像到图像翻译(UZSIT)问题,其目的是学习一个模型,该模型可以从训练过程中未观察到的图像域中翻译样本。因此,我们提出了一个名为ZstGAN的框架:通过引入对抗性训练方案,ZstGAN学习使用在视觉和属性模态上语义一致的特定于领域的特征分布来对每个领域进行建模。然后,域不变的功能解开与共享的编码器的图像生成。我们在CUB和FLO数据集上进行了大量的实验,实验结果证明了该方法在UZSIT任务上的有效性。此外,ZstGAN在CUB和FLO上显示出比最先进的零样本学习方法显著的准确性改进。
2021-07-20 cs.CV
Rethinking Class Relations: Absolute-relative Supervised and Unsupervised Few-shot Learning
Australian National University(澳大利亚国立大学);Data61/CSIRO(联邦科学与工业研究组织Data61);University of Oxford(牛津大学);National University of Defense Technology(国防科技大学)
现有的大多数少样本学习方法都是用二进制标签来描述图像关系。然而,由于缺乏决策平滑性,这种二元关系不足以教导网络复杂的现实世界关系。此外,当前的少样本学习模型仅通过关系标签捕获相似性,但它们不暴露于与对象相关联的类概念,这可能由于未充分利用可用的类标签而对分类性能有害。换句话说,孩子们从一些实际的例子以及老虎与其他动物的比较中学习老虎的概念。因此,我们假设,事实上,相似性和类概念学习必须同时发生。有了这些观察,我们研究了当前少样本学习方法中简单化类建模的基本问题。我们重新思考类概念之间的关系,并提出了一种新的绝对-相对学习范式,充分利用标签信息来改进图像表示,并在有监督和无监督的情况下纠正关系理解。我们提出的范例提高了几个国家的最先进的模型在公开可用的数据集上的性能。
2021-06-09 cs.CV
Revisiting Unsupervised Meta-Learning via the Characteristics of Few-Shot Tasks
Nanjing University(南京大学)
元学习已经成为一种实用的方法,对Few-Shot图像分类,其中“学习分类器的策略”是元学习标记的基类,并可以应用于新的类的任务。我们删除了基类标签的要求,并通过无监督元学习(UML)学习可泛化的嵌入。具体来说,任务的情节构建与数据增强从未标记的基类在元训练,我们应用基于嵌入的分类器,以新的任务标记Few-Shot的例子在元测试。我们观察到两个元素在UML中起着重要的作用,即,对任务进行采样并测量实例之间的相似性的方法。因此,我们得到了一个强大的基线与两个简单的修改-一个足够的采样策略,构建多个任务,每集有效地与半归一化的相似性。然后从两个方向利用任务的特点,得到进一步的改进。首先,合成混淆的实例被纳入,以帮助提取更多的歧视性嵌入。其次,我们在元训练过程中利用额外的特定于任务的嵌入变换作为辅助组件,以提高预适应嵌入的泛化能力。在少样本学习基准测试上的实验验证了我们的方法优于以前的UML方法,并实现了与其监督变体相当甚至更好的性能。
2022-06-09 cs.CV
MAtch, eXpand and Improve: Unsupervised Finetuning for Zero-Shot Action Recognition with Language Knowledge
MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);Goethe University Frankfurt(法兰克福大学);Graz University of Technology(格拉茨工业大学)
针对视觉-语言模型动词表征不足、零样本动作识别需额外调优的问题,提出无监督微调方法MAXI,利用无标注视频与动作词典,通过匹配、扩展、字幕构建文本袋并结合多示例学习适配模型,性能提升最高达14%,迁移性优于全监督基线。
2023-07-22 cs.CV
What makes a good data augmentation for few-shot unsupervised image anomaly detection?
SUSTech(南方科技大学);University of Surrey(萨里大学);University of Warwick(华威大学);Bielefeld University(比勒费尔德大学)
本文通过实验系统评估多种数据增强对少样本无监督工业图像异常检测算法的影响,发现具体增强方式影响有限且组合增强未必提升准确率,并据此给出选择指导。
2023-04-21 cs.CV
Unsupervised Few-shot Learning via Self-supervised Training
Beijing Normal University(北京师范大学);Peking University(北京大学)
从有限样本中学习(少样本学习)是一个基本的、未解决的问题,在机器学习社区中一直在努力探索。然而,目前的Few-Shot学习器大多是有监督的,并且严重依赖于大量的标记示例。无监督学习是认知哺乳动物更自然的过程,并在许多机器学习任务中产生了有希望的结果。在目前的研究中,我们开发了一种方法来学习一个无监督的Few-Shot学习者通过自我监督训练(UFLST),它可以有效地推广到新的,但相关的类。该模型由两个交替的过程,渐进聚类和情节训练。前者生成用于构建情景任务的伪标记训练样本;后者使用生成的情景任务训练Few-Shot学习器,进一步优化数据的特征表示。这两个过程相互促进,并最终产生一个高质量的Few-Shot学习器。使用基准数据集Omniglot和Mini-ImageNet,我们证明了我们的模型优于其他无监督的少样本学习方法。使用基准数据集Market 1501,我们进一步证明了我们的模型的可行性,在现实世界中的应用程序的人重新识别。
2019-12-20 cs.CV cs.LG
Prototypical Cross-domain Self-supervised Learning for Few-shot Unsupervised Domain Adaptation
UC Berkeley(加州大学伯克利分校);Nanjing University(南京大学);Tsinghua University(清华大学)
无监督领域自适应(UDA)将预测模型从完全标记的源域转移到未标记的目标域。然而,在某些应用中,即使在源域中收集标签也是昂贵的,使得大多数以前的工作不切实际。为了解决这个问题,最近的工作进行了实例跨域自监督学习,然后是一个额外的微调阶段。然而,逐实例的自监督学习仅学习和对齐低级区分特征。在本文中,我们提出了一个端到端的原型跨域自监督学习(PCS)框架的Few-Shot无监督领域自适应(FUDA)。PCS不仅执行跨域低级特征对齐,而且还对跨域共享嵌入空间中的语义结构进行编码和对齐。我们的框架捕捉范畴明智的语义结构的数据域中的原型对比学习,并通过跨域原型自我监督进行功能对齐。与最先进的方法相比,PCS在Office、Vis-Home、VisDA-2017和DomainNet上分别将FUDA上不同领域对的平均分类准确率提高了10.5%、3.5%、9.0%和13.2%。我们的项目页面位于http://xyue.io/pcs-fuda/index.html
2021-03-31 cs.CV
Unsupervised Few-Shot Action Recognition via Action-Appearance Aligned Meta-Adaptation
Microsoft(微软);Oregon State University(俄勒冈州立大学)
我们提出MetaUVFS作为第一个无监督Meta学习算法的视频Few-Shot动作识别。MetaUVFS利用超过55万个未标记的视频,通过对比学习来训练双流2D和3D CNN架构,以分别捕获特定于外观的空间和特定于动作的时空视频特征。MetaUVFS包括一个新的视频-外观对齐元自适应(A3 M)模块,该模块通过在无监督的硬挖掘剧集上的显式Few-Shot情节元学习来学习关注与外观特征相关的面向动作的视频特征。我们的动作外观对齐和显式的Few-Shot学习器使无监督训练能够模仿下游的Few-Shot任务,使MetaUVFS在Few-Shot基准测试中显著优于所有无监督方法。此外,与以前的有监督的Few-Shot动作识别方法不同,MetaUVFS既不需要基类标签,也不需要有监督的预训练骨干。因此,我们只需要训练MetaUVFS一次,就可以在流行的HMDB 51、UCF 101和Kinetics 100 Few-Shot数据集上与最先进的监督方法竞争,有时甚至优于它们。
2021-10-11 cs.AI cs.CV cs.LG
Unsupervised Deep Representation Learning and Few-Shot Classification of PolSAR Images
Harbin Institute of Technology(哈尔滨工业大学)
过去几年,深度学习和卷积神经网络(CNN)在极化合成孔径雷达(PolSAR)图像分类方面取得了进展。然而,一个关键问题没有得到解决,即,CNN对大量标记样本的需求与PolSAR图像的不足人类注释。众所周知,遵循监督学习范式可能会导致训练数据的过拟合,而PolSAR图像缺乏监督信息无疑加剧了这一问题,极大地影响了基于CNN的分类器在大规模应用中的泛化性能。为了解决这个问题,在本文中,学习可转移表示从未标记的极化SAR数据通过卷积架构进行了探索。具体而言,PolSAR定制的对比学习网络(PCLNet)提出了无监督深度PolSAR表示学习和Few-Shot分类。与利用光学处理方法不同,构建了一种多样性激励机制,以缩小光学与PolSAR之间的应用差距。除了传统的监督方法,PCLNet开发了一个基于实例判别的代理目标的无监督预训练阶段,从未标记的PolSAR数据中学习有用的表示。所获取的表示被传送到下游任务,即,Few-Shot PolSAR分类。在两个广泛使用的PolSAR基准数据集上的实验证实了PCLNet的有效性。此外,这项工作可能会启发如何有效地利用大量的未标记的极化SAR数据,以减轻基于CNN的方法对人类注释的贪婪需求。
2020-12-25 cs.CV
One-Shot Unsupervised Cross Domain Translation
Tel Aviv University(特拉维夫大学);Facebook AI Research(脸书人工智能研究院)
给定来自域A的单个图像x和来自域B的一组图像,我们的任务是生成x在B中的类似物。我们认为,这项任务可能是一个关键的人工智能能力,强调了认知代理在世界上行动的能力,并提出了经验证据,表明现有的无监督域翻译方法在这项任务上失败了。我们的方法遵循两个步骤的过程。首先,训练域B的变分自编码器。然后,给定新的样本x,我们通过调整接近图像的层来创建域A的变分自编码器,以便直接拟合x,并且仅间接地调整其他层。我们的实验表明,当在一个样本x上训练时,新方法与现有的域转移方法一样好,当这些方法从域A中获得大量训练样本时。我们的代码可在https://github.com/sagiebenaim/OneShotTranslation上公开获取
2018-10-23 cs.CV
Learnable Data Augmentation for One-Shot Unsupervised Domain Adaptation
Italian Institute of Technology(意大利理工学院);University of Verona(维罗纳大学);University of Genova(热那亚大学)
针对仅单个未标记目标样本的单样本无监督域适应难题,提出LearnAug-UDA方法,通过带感知损失和风格迁移的编解码架构学习增强源数据,在DomainNet和VisDA基准上达SOTA性能。
2023-10-03 cs.CV
Shape Non-rigid Kinematics (SNK): A Zero-Shot Method for Non-Rigid Shape Matching via Unsupervised Functional Map Regularized Reconstruction
École Polytechnique(巴黎综合理工学院);IP Paris(巴黎理工学院);LIX(LIX实验室)
本文提出零样本非刚性形状匹配方法 SNK,利用 encoder-decoder 重建、无监督函数映射到点对点映射监督及新型 decoder,在传统基准上取得有竞争力的精度。
2024-03-11 cs.CV
High-level semantic feature matters few-shot unsupervised domain adaptation
Nanjing Normal University(南京师范大学);University of Wollongong(伍伦贡大学)
在Few-Shot无监督领域自适应(FS-UDA)中,大多数现有方法遵循少样本学习(FSL)方法来利用低级局部特征(从常规卷积模型学习,例如,ResNet)进行分类。然而,FS-UDA和FSL的目标是相关的但不同的,因为FS-UDA的目标是在目标域而不是源域中对样本进行分类。我们发现,局部特征不足以FS-UDA,这可能会引入噪声或对分类的偏见,并且不能用于有效地对齐域。为了解决上述问题,我们的目标是改进本地功能,使其更具歧视性和相关性的分类。因此,我们提出了一种新的特定于任务的语义特征学习方法(TSECS)的FS-UDA。TSECS学习用于图像到类相似性测量的高级语义特征。在高层特征的基础上,设计了一种跨领域的自训练策略,利用源领域中少量的标记样本来构建目标领域的分类器。此外,我们最小化源域和目标域之间的高层特征分布的KL散度,以缩短两个域之间的样本的距离。在DomainNet上的大量实验表明,所提出的方法在FS-UDA中显著优于SOTA方法(即,10%)。
2023-03-16 cs.CV
Augmentation-Interpolative AutoEncoders for Unsupervised Few-Shot Image Generation
Cornell University(康奈尔大学)
我们的目标是建立图像生成模型,从几个例子推广到新领域。为此,我们首先研究了经典图像生成器的泛化特性,并发现自动编码器可以很好地泛化到新的领域,即使在高度约束的数据上训练也是如此。我们利用这一见解,产生一个强大的,无监督的Few-Shot图像生成算法,并介绍了一种新的训练过程的基础上恢复图像的数据增强。我们的增强插值自动编码器仅从少数参考图像合成新颖物体的逼真图像,并且优于先前的插值模型和监督的Few-Shot图像生成器。我们的程序是简单和轻量级的,广泛的推广,并在培训过程中不需要类别标签或其他监督。
2020-11-25 cs.CV cs.LG
Target-driven One-Shot Unsupervised Domain Adaptation
Italian Institute of Technology(意大利理工学院);University of Genoa(热那亚大学);University of Verona(维罗纳大学)
针对仅含一个无标签目标样本的OSUDA问题,提出TOS-UDA框架,以目标风格引导可学习增强并联合风格对齐,在Digits和DomainNet上取得领先或可比性能。
2023-07-17 cs.CV
Bidirectional One-Shot Unsupervised Domain Mapping
Tel Aviv University(特拉维夫大学);Facebook AI Research(脸书人工智能研究院)
我们研究的问题之间的映射域$A$,其中有一个单一的训练样本和域$B$,我们有一个更丰富的训练集。我们提出的方法是能够在两个方向上执行此映射。例如,我们可以将所有MNIST图像转移到由单个SVHN图像捕获的视觉域,并将SVHN图像变换到MNIST图像的域。我们的方法是基于采用一个编码器和一个解码器为每个域,而不利用权重共享。训练单个样本域的自动编码器以匹配该样本和域$B$的潜在空间。我们的研究结果证明了域之间令人信服的映射,其中源域或目标域由单个样本定义,远远超过现有的解决方案。我们的代码可在https://github.com/tomercohen11/BiOST上公开获取
2019-09-04 cs.CV
OSSA: Unsupervised One-Shot Style Adaptation
Delft University of Technology(代尔夫特理工大学);Hensoldt Optronics GmbH(亨索尔特光电有限公司)
本文提出无监督单样本域自适应方法OSSA,仅用一张未标注目标图像生成多样风格并经AdaIN迁移到源域特征,在目标检测多个场景中取得单样本SOTA。
2024-10-01 cs.CV
Self-Supervision & Meta-Learning for One-Shot Unsupervised Cross-Domain Detection
Politecnico di Torino(都灵理工大学);Italian Institute of Technology(意大利理工学院)
深度检测方法在受控条件下是强大的,但当源模型在看不见的领域中使用时,它会显得脆弱和失败。现有的大多数关于领域自适应的工作简化了大的源数据集和相当数量的目标样本两者的设置和联合访问。然而,在许多实际情况下,这种情况是不现实的,例如当监控来自社交媒体的图像源时:只有预训练的源模型可用,并且用户上传的每个目标图像都属于训练期间未预见的不同域。我们通过提出一种目标检测算法来解决这个具有挑战性的设置,该算法能够利用预先训练的源模型,并通过仅使用测试时看到的一个目标样本来执行无监督自适应。我们的多任务架构包括一个自监督分支,我们利用它来用单样本跨域事件对整个模型进行元训练,并为测试条件做准备。在部署时,自监督任务在任何传入的样本上迭代求解,以一次性适应它。我们引入了一个新的社交媒体图像源数据集,并提出了一个全面的基准测试,其中最新的跨域检测方法显示了我们方法的优势。
2022-09-01 cs.CV
ESP-Zero: Unsupervised enhancement of zero-shot classification for Extremely Sparse Point cloud
Inspur Gensoft Co. Ltd., Inspur Group Co. Ltd.(浪潮软件股份有限公司、浪潮集团有限公司);Zhejiang University(浙江大学);University of Nottingham(诺丁汉大学)
针对极稀疏点云零样本分类中特征与文本嵌入错位问题,提出融合交叉注意力层和互补自蒸馏的无监督自适应方法,无需重新预训练即可显著提升零样本性能。
2024-04-30 cs.CV
One-shot Unsupervised Domain Adaptation with Personalized Diffusion Models
Télécom-Paris(巴黎电信学院);Institut Polytechnique de Paris(巴黎理工学院);Ecole Polytechnique(巴黎综合理工学院);CNRS(法国国家科学研究中心)
将分割模型从标记的源域适配到目标域(其中单个未标记数据可用)是领域自适应中最具挑战性的问题之一,并且另外被称为单次无监督领域自适应(OSUDA)。大多数现有的作品已经解决了这个问题,依赖于风格转移技术,其中源图像被风格化以具有目标域的外观。与仅传输目标“纹理”信息的常见概念不同,我们利用文本到图像扩散模型(例如,稳定扩散)来生成具有照片级真实感图像的合成目标数据集,这些图像不仅忠实地描绘了目标域的风格,而且还具有不同背景下的新颖场景的特征。在我们的方法数据增强与扩散模型(DATUM)的文本界面赋予我们的可能性,引导生成的图像对所需的语义概念,同时尊重一个单一的训练图像,这是不可能在现有的OSUDA方法。在标准基准上的大量实验表明,我们的DATUM超过了最先进的OSUDA方法高达+7.1%。该实现可在https://github.com/yasserben/DATUM上获得
2023-06-16 cs.CV
Unsupervised Meta-Learning For Few-Shot Image Classification
University of Central Florida(中佛罗里达大学)
分类器的Few-Shot或一次性学习需要对要学习的任务类型有显著的归纳偏差。获得这一点的一种方法是通过对与目标任务类似的任务进行元学习。在本文中,我们提出了UMTRA,一个算法,执行无监督,模型不可知的元学习分类任务。UMTRA的元学习步骤在未标记图像的平面集合上执行。虽然我们假设这些图像可以分为不同的类,并且与目标任务相关,但不需要关于类或任何标签的显式信息。UMTRA使用随机采样和增强来创建元学习阶段的合成训练任务。标签仅在最终目标任务学习步骤中需要,并且它们可以少至每个类一个样本。在Omniglot和Mini-Imagenet的少样本学习基准测试中,UMTRA优于每一种基于表示的无监督学习的测试方法,同时与最近的CACTU算法交替获得最佳性能。与有监督的模型不可知元学习方法相比,UMTRA牺牲了一些分类精度,以减少几个数量级的所需标签。
2019-11-07 cs.CV cs.LG
Unsupervised vs. transfer learning for multimodal one-shot matching of speech and images
Stellenbosch University(斯泰伦博斯大学)
我们考虑多模式一次性语音图像匹配的任务。代理人被展示一张图片以及描述图片中对象的口语单词,例如饼干,花椰菜和冰淇淋。在观察每个类的一个配对的语音图像的例子,它被显示了一组新的看不见的图片,并要求选择“冰淇淋”。以前的工作试图使用迁移学习来解决这个问题:监督模型在不包含任何一次性类的标记背景数据上进行训练。在这里,我们将迁移学习与在未标记的域内数据上训练的无监督模型进行了比较。在一个成对的孤立的口语和视觉数字的数据集上,我们专门比较了无监督的自动编码器模型与监督分类器和暹罗神经网络。在单峰和多峰Few-Shot匹配实验中,我们发现迁移学习优于无监督训练。我们还提出了将这两种方法相结合的实验,但发现迁移学习仍然表现最好(尽管理想化的实验显示了无监督学习的好处)。
2020-08-14 cs.CL cs.CV cs.SD
GPU-based Self-Organizing Maps for Post-Labeled Few-Shot Unsupervised Learning
Université Côte d’Azur(蔚蓝海岸大学);CNRS(法国国家科学研究中心);LEAT(电子、天线与电信实验室);IMT Atlantique(大西洋高等矿业电信学校)
Few-Shot分类是机器学习中的一个挑战,其目标是使用非常有限数量的标记示例训练分类器。这种情况在现实生活中可能经常发生,例如当数据采集或标记昂贵时。在这项工作中,我们考虑的问题后标记的Few-Shot无监督学习,表示学习在一个无监督的方式分类任务,后来标记使用很少的注释的例子。我们认为,这个问题很可能发生在边缘,当嵌入式设备直接获取数据时,执行标记所需的专家不能经常得到提示。为了解决这个问题,我们考虑了一个算法,包括串联的迁移学习与聚类使用自组织映射(SOM)。我们引入了一个基于TensorFlow的实现,以加快多核CPU和GPU中的进程。最后,我们使用标准的现成的Few-Shot分类基准证明了该方法的有效性。
2020-09-04 cs.CV cs.NE
Unifying Unsupervised Domain Adaptation and Zero-Shot Visual Recognition
Durham University(杜伦大学);Xi’an Jiaotong University(西安交通大学)
无监督领域自适应的目的是将知识从源领域转移到目标领域,使得目标领域的数据可以在没有任何明确的标记信息的情况下被识别。问题设置的一个限制是,尽管没有标签,但在训练期间需要来自目标域的测试数据,这阻止了训练模型被直接应用于对看不见的测试实例进行分类。我们制定了一个新的跨域分类问题,该问题源于现实世界的场景,其中标记数据可用于目标域中的类子集(已知类),并且我们期望在模型学习后识别属于任何类(已知和未知类)的新样本。这是一个广义的零样本学习问题,其中边信息以标记样本的形式来自源域,而不是传统零样本学习中常用的类级语义表示。我们提出了一个统一的领域自适应框架无监督和零样本学习条件。我们的方法从源和目标域学习一个联合子空间,使两个数据在子空间中的投影可以是域不变的,很容易分离。我们使用有监督的局部保持投影(SLPP)作为使能技术,并在无监督和零样本学习条件下进行实验,在三个领域自适应基准数据集上实现了最先进的结果:加州理工学院,加州理工学院31和加州理工学院。
2019-08-26 cs.CV cs.LG
Confidence-based Visual Dispersal for Few-shot Unsupervised Domain Adaptation
Tsinghua University(清华大学);Beijing National Research Center for Information Science and Technology (BNRist)(北京国家信息科学与技术研究中心(BNRist));Hangzhou Zhuoxi Institute of Brain and Intelligence(杭州卓希脑与智能研究院)
针对少样本无监督域适应中源标签稀疏与目标样本难度差异问题,提出C-VisDiT,通过高置信度跨域迁移和易样本指导难样本的域内扩散提升性能。
2023-09-29 cs.CV
Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial Transformers
Bilkent University(比尔肯特大学);National Magnetic Resonance Research Center, Bilkent University(比尔肯特大学国家磁共振研究中心)
监督重建模型在特征上是在匹配的欠采样和全采样数据对上训练的,以捕获MRI先验,以及关于成像操作员的监督,以加强数据一致性。为了减少监督要求,最近的深度图像先验框架在推理期间将未经训练的MRI先验与成像算子结合起来。然而,规范卷积架构在捕获远程关系方面是次优的,并且基于随机初始化网络的先验可能会产生次优性能。为了解决这些局限性,在这里,我们介绍了一种新的无监督MRI重建方法的基础上zero-Shot学习对抗Transformers(SLATER)。SLATER体现了一个深度对抗网络,具有交叉注意力Transformers,可将噪声和潜在变量映射到线圈组合的MR图像上。在预训练期间,该无条件网络在无监督生成建模任务中学习高质量的MRI先验。在推断期间,然后通过结合成像算子并优化先验以最大化欠采样数据的一致性来执行zero-shot重建。在大脑MRI数据集上进行的综合实验清楚地证明了SLATER相对于最先进的无监督方法的优越性能。
2022-01-16 cs.CV cs.LG eess.IV
Adversarial Style Mining for One-Shot Unsupervised Domain Adaptation
Huazhong University of Science & Technology(华中科技大学);University of Technology Sydney(悉尼科技大学);Farsee2 Tech. Co.(Farsee2科技公司);Baidu Research(百度研究院)
本文针对One-Shot无监督领域自适应问题进行研究。与传统的无监督领域自适应不同,它假设在学习自适应时只有一个未标记的目标样本可用。这种设置是现实的,但更具挑战性,在传统的适应方法很容易失败,由于缺乏未标记的目标数据。为此,我们提出了一种新的对抗性风格挖掘方法,它结合了风格转换模块和任务特定模块到一个对抗的方式。具体而言,风格转移模块根据当前学习状态迭代地在一次性目标样本周围搜索更难风格化的图像,引导任务模型探索几乎不可见的目标领域中难以解决的潜在风格,从而提高数据稀缺场景中的适应性能。对抗性学习框架使风格迁移模块和任务特定模块在竞争中相互受益。跨域分类和分割基准上的大量实验验证了ASM在具有挑战性的单次设置下实现了最先进的自适应性能。
2020-04-13 cs.CV cs.LG eess.IV
Exploring selective image matching methods for zero-shot and few-sample unsupervised domain adaptation of urban canopy prediction
The Alan Turing Institute(阿兰·图灵研究所);University College London(伦敦大学学院)
本研究针对城市冠层预测的跨地理域适配问题,提出基于选择性图像对齐的无监督域自适应方法,在零样本和少样本微调场景下均优于基线与主流图像转换模型。
2024-04-16 cs.CV stat.AP
ILS-SUMM: Iterated Local Search for Unsupervised Video Summarization
Technion(以色列理工学院);IBM Research(IBM研究院)
近年来,人们对构建视频摘要工具越来越感兴趣,其目标是自动创建输入视频的简短摘要,以正确表示原始内容。我们考虑基于镜头的视频摘要,其中摘要由可以具有各种长度的视频镜头的子集组成。最大化镜头子集的代表性的直接方法是最小化镜头与其最近的选定镜头之间的总距离。我们制定的任务,视频摘要作为一个优化问题的总摘要持续时间的背包式约束。以前的研究提出了贪心算法来近似解决这个问题,但没有实验来衡量这些方法的能力,以获得低总距离的解决方案。事实上,我们在视频摘要数据集上的实验表明,当前方法在获得低总距离结果方面的成功仍然有很大的改进空间。在本文中,我们开发了ILS-SUMM,一种新的视频摘要算法来解决背包约束下的子集选择问题。我们的算法是基于著名的元启发式优化框架-迭代局部搜索(ILS),其能力,以避免弱局部极小值,并获得一个良好的近全局最小值。大量的实验表明,我们的方法找到的解决方案与显着更好的总距离比以前的方法。此外,为了表明ILS-SUMM的高可扩展性,我们引入了一个由各种长度的视频组成的新数据集。
2019-12-08 cs.CV
Noise-Tolerant Few-Shot Unsupervised Adapter for Vision-Language Models
Alexandria University(亚历山大大学)
针对视觉语言模型目标样本标注限制问题,提出抗噪无监督适配器 NtUA,利用少量无标签样本构建键值缓存,结合自适应加权与知识蒸馏细化伪标签,在多基准上取得卓越性能。
2024-07-30 cs.CV cs.LG
Few-Shot Unsupervised Image-to-Image Translation on complex scenes
无监督图像到图像翻译方法在过去几年中受到了广泛的关注。出现了多种技术,从不同的角度应对最初的挑战。一些专注于尽可能多地从多个目标样式图像中学习以进行翻译,而另一些则利用目标检测来在内容丰富的场景中产生更逼真的结果。在这项工作中,我们评估了一种最初为单个对象翻译开发的方法如何在更多样化和内容丰富的图像上执行。我们的工作基于FUNIT[1]框架,我们用更多样化的数据集对其进行训练。这有助于理解这种方法在其初始应用框架之外的行为。提出了一种基于目标检测的数据集扩展方法。此外,我们提出了一种方法来适应FUNIT框架,以利用目标检测的力量,可以看到在其他方法。
2021-06-07 cs.CV cs.LG
Unsupervised Meta-Learning via Few-shot Pseudo-supervised Contrastive Learning
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);LG AI Research(LG人工智能研究院)
无监督元学习的目标是在由未标记数据构建的任务分布中学习可推广的知识。在这里,主要的挑战是如何在没有标签信息的情况下为元学习构建不同的任务;最近的工作已经提出创建,例如,通过预训练的表示进行伪标记或通过生成模型创建合成样本。然而,由于在元学习期间严重依赖不可变的伪标签以及表示或生成的样本的质量,这样的任务构建策略从根本上受到限制。为了克服这些局限性,我们提出了一个简单而有效的无监督元学习框架,即伪监督对比度(PsCo),用于Few-Shot分类。我们受到最近的自监督学习文献的启发; PsCo利用动量网络和先前批次的队列来改进伪标记并以渐进的方式构建各种任务。我们广泛的实验表明,PsCo优于现有的无监督元学习方法在各种域内和跨域的Few-Shot分类基准。我们还验证了PsCo是很容易扩展到一个大规模的基准,而最近的现有技术的元计划没有。
2023-03-02 cs.AI cs.CV cs.LG
PathoSCOPE: Few-Shot Pathology Detection via Self-Supervised Contrastive Learning and Pathology-Informed Synthetic Embeddings
Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院);University of Glasgow(格拉斯哥大学);University College London(伦敦大学学院)
PathoSCOPE提出小样本无监督病理检测框架,仅需少量非病理样本,通过全局-局部对比损失和病理信息嵌入生成模块,在BraTS2020和ChestXray8上达到最先进性能且计算高效。
2025-05-23 cs.CV
E2MPL:An Enduring and Efficient Meta Prompt Learning Framework for Few-shot Unsupervised Domain Adaptation
针对少样本无监督域自适应中模型适配新任务不稳定、耗时久的问题,提出基于CLIP的E2MPL双层元提示学习框架,在DomainNet数据集上准确率显著提升且耗时大幅降低,任务稳定性更强。
2025-06-13 cs.CV
Masked Unsupervised Self-training for Label-free Image Classification
Salesforce Research(赛富时研究院)
最先进的计算机视觉模型大多使用人类标记的图像进行监督学习训练,由于昂贵的注释成本,这限制了它们的可扩展性。虽然自监督表示学习已经取得了令人印象深刻的进展,但它仍然需要对标记数据进行第二阶段的微调。另一方面,使用大规模文本图像监督(例如,CLIP)已经实现了向下游图像分类任务的zero-shot传输。然而,CLIP类模型的zero-shot性能通常不足以用于现实世界的采用。在本文中,我们的目标是利用丰富的未标记的数据,从目标领域,以提高性能的预训练zero-shot分类器,通过无监督微调的预训练模型。我们提出了掩蔽无监督自训练(MUST),这是一种新的无监督自适应方法,它利用了两种不同且互补的训练信号源:伪标签和原始图像。MUST联合优化三个目标,以学习类级全局特征和像素级局部特征,并在两者之间实施正则化。我们证明了MUST在各种下游任务上的有效性,它大大提高了CLIP。MUST还优于有监督的Few-Shot自适应方法。它在使用ViT-B的ImageNet上实现了77.7%的top-1准确率,比CLIP高出9.4%,比16次CLIP适配高出6.2%。我们的代码可在https://github.com/salesforce/MUST上获得。
2023-03-10 cs.AI cs.CV
Unsupervised Shot Boundary Detection for Temporal Segmentation of Long Capsule Endoscopy Videos
University of Virginia(弗吉尼亚大学)
医生使用胶囊式内窥镜(CE)作为一种非侵入性和非手术程序来检查整个胃肠道(GI)的疾病和异常。一次CE检查可能持续8到11个小时,生成多达80,000帧视频。医生必须审查和分析整个视频,以确定异常或疾病,然后再作出诊断。这种审查任务可能非常繁琐、耗时并且容易出错。虽然只有一个帧可以捕获与医生最终诊断相关的有用内容,但仅覆盖小肠区域的帧就可能多达50,000个。为了最大限度地减少医生的审查时间和精力,本文提出了一种新的无监督和计算效率高的时间分割方法,自动分割长CE视频到一个均匀的和可识别的视频片段。然而,使用高维帧特征矩阵在长视频中搜索时间边界在计算上是禁止的,并且对于实际临床应用是不可行的。因此,利用视频中的空间和时间信息,我们首先使用预训练的CNN模型提取高级帧特征,然后将高维帧特征矩阵投影到较低的1维嵌入。使用这个一维序列嵌入,我们应用修剪精确线性时间(PELT)算法来搜索时间边界,指示从正常到异常帧的过渡点,反之亦然。我们用多个真实患者的CE视频进行了实验,我们的模型在多个测试视频上对专家提供的标签实现了66%的AUC。
2021-10-18 cs.CV
UVStyle-Net: Unsupervised Few-shot Learning of 3D Style Similarity Measure for B-Reps
Autodesk AI Lab(Autodesk人工智能实验室);UCL(伦敦大学学院);Autodesk Research(Autodesk研究院)
边界表示(B-Reps)是3D计算机辅助设计/制造(CAD/CAM)和工业设计的行业标准,因为它们在表示风格细节方面的保真度。然而,在3D风格的研究中,它们却被忽视了。现有的3D样式度量通常在网格或点云上操作,并且无法通过采用固定的样式定义来考虑最终用户的主观性,无论是通过众包样式标签还是手工制作的功能。我们提出了UVStyle-Net,这是一种用于B-Reps的风格相似性度量,它利用了预训练(无监督)3D编码器中激活的二阶统计中的风格信号,并通过少样本学习来学习它们对主观最终用户的相对重要性。我们的方法不同于所有现有的数据驱动的3D风格的方法,因为它可以用于完全无监督的设置,这是可取的,因为缺乏公开可用的标记的B-Rep数据集。更重要的是,少样本学习解释了与风格相关的固有主观性。我们定量地表明,我们提出的方法与B-Reps是能够捕获更强的风格的信号比替代方法的网格和点云,尽管其显着更高的计算效率。我们还表明,它是能够产生有意义的风格梯度相对于输入形状,和少样本学习,只有两个积极的例子,由最终用户选择的是足以显着提高风格的措施。最后,我们证明了它的有效性在一个大型的未标记的公共数据集的CAD模型。源代码和数据将在未来发布。
2021-10-11 cs.CV cs.LG
Few-Max: Few-Shot Domain Adaptation for Unsupervised Contrastive Representation Learning
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
对比自监督学习方法学习将诸如图像的数据点映射到非参数表示空间而不需要标签。虽然非常成功,但目前的方法在训练阶段需要大量的数据。在目标训练集大小有限的情况下,泛化能力较差。在Few-Shot模式下,在大的源数据集上进行预训练并对目标样本进行微调,很容易出现过拟合,因为只有少量的目标样本可用。出于这一动机,我们提出了一种自监督对比学习的域自适应方法,称为Few-Max,以解决适应少样本学习下的目标分布的问题。为了量化表示质量,我们在一系列源和目标数据集上评估了Few-Max,包括ImageNet,VisDA和fastMRI,Few-Max始终优于其他方法。
2022-06-22 cs.AI cs.CV cs.LG
Improving Zero-shot Generalization of Learned Prompts via Unsupervised Knowledge Distillation
University of Florence(佛罗伦萨大学);University of Pisa(比萨大学)
本文提出基于无监督知识蒸馏的提示学习方法KDPL,无需标注样本即可集成至现有技术,在十多个基准上有效提升了VLMs的零样本泛化能力并实现知识迁移。
2024-07-30 cs.AI cs.CV cs.LG
Few-Shot Unsupervised Image-to-Image Translation
NVIDIA(英伟达);Cornell University(康奈尔大学);Aalto University(阿尔托大学)
无监督图像到图像转换方法学习将给定类中的图像映射到不同类中的类似图像,绘制非结构化(未注册)图像数据集。虽然非常成功,但目前的方法需要在训练时访问源和目标类中的许多图像。我们认为这极大地限制了它们的使用。从人类的能力,拿起一个新的对象的本质,从少量的例子,并从那里概括的灵感,我们寻求一个Few-Shot,无监督的图像到图像的翻译算法,工程上以前看不见的目标类指定,在测试时,只有少数几个例子的图像。我们的模型通过将对抗训练方案与新颖的网络设计相结合来实现这种Few-Shot生成能力。通过大量的实验验证和比较基准数据集上的几个基线方法,我们验证了所提出的框架的有效性。我们的实现和数据集可以在https://github.com/NVlabs/FUNIT上找到。
2019-09-09 cs.AI cs.CV cs.GR