强监督下的多线索零样本学习
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
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
该研究提出了一种模型,即使没有针对该对象的训练数据,也能在图像中识别对象,并从无监督的大型文本语料库中获取对未知类别的必要知识,在语言中的分布式信息可以被视为理解物体外观的语义基础。
Jan, 2013
本文提出了一个两阶段的框架,结合了数据扩充和特征扩充来解决零样本文本分类问题,同时将四种语义知识结构(词嵌入,类别描述,类层次结构和通用知识图谱)纳入到该框架中,实验结果表明,该框架的单独和联合两个阶段相比基线和最近的方法均获得了最佳的整体准确率。
Mar, 2019
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
SemSup 使用可扩展的多描述采样方法,使用易于生成和在某些设置上优于文本的 JSON 等替代描述格式,以及混合词汇语义相似度来利用类别描述中的细粒度信息,从而提高了未见过的新类别泛化的准确性。
Feb, 2022
该研究提出了一种基于语义流形的加权最大间隔框架解决零样本学习中面临的挑战,包括有限标记数据、大量标签分类和开放集分类。在 Animal with Attributes 和 ImageNet 数据集上,模型表现得到了显著提高,类词汇量最高可达 310K。
Jan, 2023
本文介绍了一种基于最大边距框架的语义流形识别方法,并提出了半监督词汇知识学习的概念,从而实现监督学习、零样本学习和开放式识别的统一框架。该方法在 AwA 和 ImageNet 数据集上的结果显示出了改进。
Apr, 2016
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