DEFTS 提出文本子空间无训练少样本学习方法
热点事件持续更新
DEFTS 提出文本子空间无训练少样本学习方法
1 篇报道1 个报道来源13 小时前更新
先了解这件事
AI 综述
2026 年 11 月,Yijin Zeng 在 arXiv 发布论文 DEFTS,提出一种严格在 CLIP 文本子空间内运行的数据高效、无需训练的少样本分类方法。该方法通过将图像原型投影至该子空间并仅计算少量系数来降低模态差距。在 12 个图像分类基准上的实验表明,其性能显著优于现有的无训练方法。
AI 根据报道生成 · 12 小时前更新
最新进展11月18日 13:00
DEFTS:CLIP 文本子空间无训练少样本学习新方法报道时间线
沿着报道,了解事件的不同侧面。
11月18日
- arXiv · 机器人与计算机视觉DEFTS:CLIP 文本子空间无训练少样本学习新方法
DEFTS 是一种严格在文本子空间内运行的数据高效、无需训练的少样本分类方法,通过将图像原型投影至该子空间并仅计算少量系数来降低模态差距。该方法在 12 个图像分类基准上的广泛实验表明,其性能显著优于现有的无训练方法。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 1011月18日 14:00
- 近 24 小时变化
- –
02.557.510
14:0016:0018:0020:0022:0011月19日
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。