כתבה
arXiv cs.LG ·
התאמה לדוגמאות קרוס-דומיין עם שאילתה בודדת
Query-Conditioned Prototype Adaptation for Cross-Domain Few-Shot Learning: Single-Query Inference, Controlled Comparisons, and Failure Modes
חוקרים פיתחו שיטה חדשה להתאמת דוגמאות קרוס-דומיין עם שאילתה בודדת. השיטה, הנקראת Within-Instance Prototypical Transformer (WIPT), משפרת את הדיוק במקרים של דוגמאות מעטות. ה-WIPT משתמש במעבד ויז'ואלי קפוא ומתאים את הדוגמאות לשאילתה הנוכחית.
תקציר מקורי באנגליתarXiv:2609.30769v1 Announce Type: cross Abstract: Cross-domain few-shot learning requires adapting a classifier to a new visual domain from very few labelled examples without target-time parameter updates. We isolate one question: under a fixed global representation, what does joint query-support adaptation contribute to prototype construction? The Within-Instance Prototypical Transformer (WIPT) implements single-query test-time prototype adaptation by jointly transforming one unlabelled query and the labelled support embeddings, then forming query-specific class means. Using a shared frozen ViT-S/16 encoder, miniImageNet source training, and CUB, EuroSAT and ISIC targets, we replicate the key comparisons across five independent training seeds. In 1-shot evaluation, WIPT improves frozen Pr
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית