Dec, 2015

典型先验：从提高分类到零样本学习

PDF
TL;DR使用视觉原型概念作为侧面信息，通过将深度网络的输入图像映射到原型嵌入空间，实现对交通标志和商标标志等数据集的图像识别性能的提升，并能够有效地应对零样本学习的情景，从而实现对已知和未知类的统一测试以及在这两个数据集上超越某些最新零样本学习方法。
发现论文，激发创造
  • 卷积原型学习用于零样本识别

    本文提出了一种卷积原型学习（CPL）框架，用于零样本识别。通过在任务级别假设分布一致性，CPL 能够平稳地转移知识以识别未见样本。在每个任务内部，通过基于距离的训练机制学习区分性视觉原型。因此，我们可以在视觉空间而不是语义空间中进行识别。

    Oct, 2019

  • 少样本学习的原型网络

    本文提出一种少样本学习方法，即使用原型网络从小样本中抽象出原型，将其映射到一个度量空间中，比较测试样本和原型之间的距离来进行分类，同时还将其拓展到零样本学习，取得了最先进的结果。

    Mar, 2017

  • 零样本学习中预测未见类别的视觉典型

    本文提出了一种新的零样本学习模型，利用语义嵌入空间中的聚类结构来对已知对象的类别语义描述和示例进行建模，并通过训练多个基于核的回归器来实现语义表示 - 范例对的结构约束，从而在包括 ImageNet 数据集在内的标准基准数据集上显着优于现有的零样本学习方法。

    May, 2016

  • 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

  • 单向典型网络

    本文介绍了一种新的针对单一类别训练原型 few-shot 模型的方法，引入了一个以零为中心的 “空类” 并通过批量标准化实现中心化，同时提出了一个用于距离计算的新的高斯层次，该层次考虑了支撑示例的分布而不仅是它们的质心，在 Omniglot 数据集上得到了.98 的分类准确率，在 MiniImageNet 数据集上的测试准确率为.8。

    Jun, 2019

  • 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

  • 少样本学习的原型校正

    本文提出一种简单而有效的在转导设置中原型修正方法，利用标签传播减少内类偏差和特征转移减少交叉类偏差，理论分析证明了其合理性及其性能的下限，并在三个少样本基准测试中表明了其有效性。

    Nov, 2019

  • 基于聚类的半监督零样本学习

    本文提出了一种基于深度可视特征嵌入空间的半监督零样本学习方法，通过在签名上进行线性变换以将它们映射到视觉特征上，使得已知类别的签名映射结果靠近相应类别的已标记样本，同时未标记的数据与其中一个未知类别的映射签名也很接近，该方法在四个公共基准测试中的表现证明了其有效性，其中三个的预测准确度均优于最先进方法。

    May, 2016

  • 独立原型传播用于零样本合成性

    本研究提出了一种名为 ProtoProp 的原型传播图方法，用于解决在零样本学习中如何使用上下文线索进行分类的难题，本方法不依赖于任何外部数据，通过在给定数据集上的实验验证，我们证明了该方法优于现有技术的结果

    Jun, 2021

  • 使用生成潜在原型模型进行零样本学习

    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