跨领域多类别和多标记零样本学习
本文提出一种基于双向映射的语义关系建模方案,实现跨模态的知识转移并解决领域转化问题,通过迭代更新使得分类器不断加强预测能力,实验结果在三个基准数据集上显著优于现有方法。
Mar, 2017
本文提出了一种多标签零样本学习的框架,旨在解决测试时如何利用多标签相关性的挑战,并通过实验表明,所提出的深度回归模型和基于语义词向量的零样本学习算法,以及转导式学习策略,优于各种基线算法。
Mar, 2015
本文提出了一种解决零样本学习中投影域偏移和原型稀疏性问题的新框架,即传导多视图嵌入法,并提出了异构多视图超图标签传播方法,旨在通过多种语义表示结构的协同作用,有效利用不同语义表示的补充信息,解决多个数据集的分类问题。
Jan, 2015
通过本体论知识表示和语义嵌入,以更丰富和竞争的先验知识建模 ZSL 的类间关系,并使用生成对抗网络(GANs)开发了一种生成 ZSL 框架,以解决已知类和未知类之间的数据不平衡问题。
Feb, 2021
本文提出了一种基于概念嵌入和语义学习模型的多标签零样本学习方法,可以高效地将未知类别在已有的概念嵌入空间中进行映射,并在实验中证明在处理含有未知标签的场景时,该方法优于现有多标签零样本学习模型且不需要对语义学习模型进行重新训练。
Jun, 2016
采用概率生成建模的方法,基于潜在空间中的原型及其语义关系,生成虚拟的未见类实例以解决直接迁移学习中存在的域偏移问题,实验结果表明该模型优于现有零样本学习方法。
May, 2017
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
本文针对零样本学习中的交叉域匹配问题,详细探讨优秀的 embedding 空间应满足的两个标准:类内紧度和类间可分性,并提出了一种基于两个分支网络的方法来同时映射语义描述和视觉样本到 joint 空间,并在其中强制要求视觉嵌入与类级语义嵌入相同,同时实现区分可训练分类器,实现跨未知类别输入的优化过程。此外,我们还扩展了我们的方法来处理 ZSL 中的模型偏差问题,并在五个标准数据集上获得了卓越的性能。
Aug, 2018
本研究提出了一种基于数据合成和竞争双向投影学习的零样本和少样本学习模型,在语义空间和特征空间之间学习了一个鲁棒的投影函数,并将它应用于语义数据的合成和模糊的非监督训练中,取得了最先进的结果。
Oct, 2018
本文提出了一种名为准完全监督学习(QFSL)的方法,通过转导学习的方式进行训练,解决了现有零样本学习方法中强偏差问题,并在 AwA2、CUB 和 SUN 数据集上进行了实验,表明我们的方法在广义 ZSL 设置下胜过现有的最先进方法 9.3〜24.5%,在常规的 ZSL 设置下则高出 0.2〜16.2%的显著优势。
Mar, 2018