使用不可靠属性的零样本识别

NIPSSep, 2014

Zero Shot Recognition with Unreliable Attributes

Dinesh Jayaraman, Kristen Grauman

TL;DR本研究提出一种新颖的随机森林方法用于零样本学习，能更好地应对属性预测不可靠的问题，对于少样本和无训练样本学习在视觉分类学习中得到广泛应用。

Abstract

In principle, zero-shot learning makes it possible to train a recognition model simply by specifying the category's attributes. For example, with classifiers for generic attributes like \emph{striped} and \emph{four-legged}, one can construct a classifier for the zebra category by enum

zero-shot learning recognition model random forest few-shot scenario visual category learning

发现论文，激发创造

恢复丢失的链接：预测类属性关联以进行无监督零样本学习

本文提出了一种基于属性的无监督学习方法，通过学习将类别嵌入与属性耦合的关系模型，来自动预测未见过的类别与属性之间的关联，并支持跨数据集的属性传递。实验证明，该方法在 Animals with Attributes 和 aPascal/aYahoo 数据集上的性能优于现有方法。

Oct, 2016

增强属性的有选择性零样本分类

通过使用人工定义和自动发现到的残差属性，提出了一种基于选择性零样本分类器，通过在人工定义属性的子空间中进行预测并使用定义和残差属性来度量预测置信度，以解决分类器在选择分类场景中做出可疑预测的问题，并在多个基准测试中证明了其优异的表现。

Jul, 2018

强监督下的多线索零样本学习

利用多个文本来源和语义部分注释来提供更强的监督辅助信息，达到零样本识别和检索的目标。

Mar, 2016

适用于任意样本学习的属性原型网络

提出一种基于属性本地化的图像表示学习框架，通过视觉语义嵌入层学习全局特征，并通过属性原型网络同时回归和解相关属性，为任意样本，包括零样本和少样本图像分类任务提供有益的属性知识转移，并引入变焦模块以局部化和裁剪信息区域鼓励网络显式地学习最有效的特征。此外，该模型通过视觉化和用户研究定量和定性评估属性本地化能力，并在三个基准测试中取得新的最优结果。

Apr, 2022

零样本识别的最新进展

本文综述了现有零样本识别技术的方方面面，包括模型表示、数据集、评估方式等，并简要介绍了一些相关的识别任务，如一次性识别和开放集识别等。同时，我们也指出了现有方法的局限性以及未来的研究方向。

Oct, 2017

零样本学习的属性原型网络

通过集成属性局部化能力的图像表示，建议使用只有类别级别的属性来更好地将基于属性的知识从已知类别转移到未知类别，为此，提出了一种新的零样本表示学习框架，使用属性原型网络共同学习具有区分性全局和局部特征。对于三个零样本学习基准测试，我们的局部增强图像表示方法实现了一个新的最先进水平。

Aug, 2020

零样本学习 -- 对好坏丑的全面评估

本文旨在分析当前零样本学习领域现状，包括定义新的公认的零样本数据集评估协议与数据划分、设计新的 Animals with Attributes 2 数据集以及对当前现有的大量最先进的方法进行深入分析比较，并讨论当前领域的局限性，为进一步发展提供依据。

Jul, 2017

利用语义属性进行归纳零样本学习

本文提出一种新的传输零样本学习方法，该方法使用生成对抗网络从未见过的特征提取出语义属性，并将其融合到产生模型中，从而捕获未见类别内的细微差异，合成更具辨别能力的特征。在五个标准基准测试中，本方法取得了零样本学习的最新成果。

Mar, 2023

零样本核学习

本研究在零样本学习中使用核方法来学习特征和属性空间之间的非线性映射，提出了一种简单的学习目标，并在多个零样本学习数据集和基准测试中取得了最优结果。

Feb, 2018

远程学习：重新思考有限监督下的广义零样本学习

本文提出了基于产品专家公式和 A UD 模块的零样本和少量样本归纳学习框架，利用来自非数据类的未标记采样来提高任意数量学习的泛化能力，并证明了该模型适用于有限监督场景下的广义零样本模型。

Jul, 2021