本文提出一种利用数据依赖特征转换和潜在的结构支持向量机,以及采用双线性相似度函数和正则化最小二乘作为特征位移的惩罚,来进行零样本识别的方法,实验结果表明本文提出的方法在几个基准数据集上表现优异。
Nov, 2016
本研究使用混合模型解决无类别学习问题,通过学习相似度函数来映射源数据和目标数据到同一语义空间中,并在交叉验证的过程中联合优化参数,该方法在零样本识别的基准测试数据集上达到了显著的精确度提高。
Sep, 2015
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
通过结合零样本学习和开放式识别的方法,我们提出一种用于处理未知类别样本的零样本开放式识别问题的模型,通过学习生成未知类别的对抗性语义嵌入来训练分类器,在检测未知类别的同时保持对未见类别的准确分类。
Jul, 2023
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
该研究提出了一种能够自动发现显著区域及在增强的空间中学习辨别性语义表征的端到端网络,用于零样本学习中。在两个具有挑战性的零样本学习数据集上测试,实验结果显示该方法明显优于现有最先进的方法。
Mar, 2018
提出了一种基于领域特定嵌入网络(DSEN)的零样本学习方法,通过将图像数据和语义标签投影到联合嵌入空间中进行识别,该方法分解了领域共享投影函数并使用领域特定子函数探索领域的相似性和差异性,同时引入语义重构和领域划分约束以解决偏倚问题和保持语义关联。实验表明,DSEN 在四个公共基准测试中具有显著的改进。
Aug, 2019
本文提出一种新的零样本学习模型(DIPL),其中引入一种域不变特征自重建任务并通过语义空间中超类的形成进一步对齐两个域,以解决转移学习中看不见的物体分类问题。我们的模型在大量试验中表现出优异的性能,优于现有技术方案。
Oct, 2018
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
本文提出了一种利用本地特征将未见类别映射到语义属性的区域语义对齐网络(RSAN)方法,使得将所学类别的知识成功地以区域方式传递给未见类别,并通过语义知识对图像编码器进行属性回归以提取稳健和属性相关的视觉特征,对多个标准 ZSL 数据集的实验验证了该方法的优点,超过了最先进的方法。
Oct, 2021