Jun, 2016

基于迁移学习的零样本哈希

PDF
TL;DR本文提出了一种名为无样本哈希（ZSH）的新型哈希方案，可以将 “看不见” 类别的图像压缩成二进制码，并从 “可见” 类别的有限训练数据中学习哈希函数。通过将独立的数据标签投影到语义嵌入空间中，可以精确表征所有标签的语义关系，并且可以将可见有监督知识转移给不可见类别。同时，通过旋转嵌入空间来更适当地对齐嵌入语义和低级视觉特征空间，缓解语义差的影响。此外，我们进一步提出保留二进制码中的局部结构属性和离散性质的方法，并开发了一种有效的交替算法来解决 ZSH 模型。在各种真实数据集上进行的大量实验表明，与几种最先进的哈希方法相比，ZSH 具有卓越的零样本图像检索性能。
hashingzero-shot hashingimage retrievalsupervised knowledgesemantic embedding
发现论文，激发创造
  • 零样图像哈希化

    本文通过建立一个三网络体系结构的零样本手绘图像搜索算法，利用 Kronecker 融合层和图卷积来缓解手绘图像的异构性，并提出一种生成哈希方案来重建语义知识表示，实现了语义哈希，从而在 Sketchy 和 TU-Berlin 两个扩展数据集上取得了显著的性能提升。

    Mar, 2018

  • 跨域多标签零样本学习

    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

  • 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

  • 跨领域多类别和多标记零样本学习

    本文讨论了两种与传统方法相关的工作：利用传导学习 ZSL 和将 ZSL 推广到多标签情况下。

    Mar, 2015

  • 跨视角多视图零样本学习

    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

  • 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

  • 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

  • 以缺失数据问题为形式的零样本学习

    本文探讨了零样本学习方法在解决 ' 缺失数据问题 ' 而非 ' 缺失标签问题 ' 时的有效性，通过将知识从标签嵌入空间转移到图像特征空间，估计未见过的类在图像特征空间的数据分布，实验表明，与现有方法相比，该方法在两个流行数据集上的表现更优

    Dec, 2016

  • 基于自训练字典方法的推导式零样本学习

    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

  • 基于视觉语义嵌入的广义零样本识别

    本文提出了一种新颖的广义零样本学习（GZSL）方法，它对训练期间的未见图像和未见语义向量具有不可知性。通过提出一种视觉实例的低维嵌入来打破视觉 - 语义间隙，并借助一个新的视觉神谕来量化噪声语义数据的影响，以提高准确性。在一系列数据集上用图模型进行推理的实验结果显示，该方法在语义和视觉监督下均明显优于现有技术。

    Nov, 2018