CVPROct, 2016

恢复丢失的链接：预测类属性关联以进行无监督零样本学习

PDF
TL;DR本文提出了一种基于属性的无监督学习方法，通过学习将类别嵌入与属性耦合的关系模型，来自动预测未见过的类别与属性之间的关联，并支持跨数据集的属性传递。实验证明，该方法在 Animals with Attributes 和 aPascal/aYahoo 数据集上的性能优于现有方法。
zero-shot learningattributesunsupervised classificationrelationship modeltransfer learning
发现论文，激发创造
  • Attributes2Classname：一种基于属性的判别式无监督零样本学习模型

    本论文提出了一种基于名称的无监督零样本学习方法，通过区别性地学习单词表示，使得类别和属性名称的相似性与视觉相似性相符，突破了传统零样本学习方法依赖属性特征标注的限制，并且能够在纯文本数据上进行训练，实验结果表明该方法在三个基准数据集上取得了最先进的性能。

    May, 2017

  • 利用语义属性进行归纳零样本学习

    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

  • 使用不可靠属性的零样本识别

    本研究提出一种新颖的随机森林方法用于零样本学习，能更好地应对属性预测不可靠的问题，对于少样本和无训练样本学习在视觉分类学习中得到广泛应用。

    Sep, 2014

  • 零样本学习的大规模属性数据集

    提出一种大规模属性数据集 (LAD)，并对该数据集进行了监督学习和零样本学习任务的实验，试图解决零样本学习领域中现有数据集的缺陷和问题，为零样本学习提供更好的语义表征。

    Apr, 2018

  • 通过属性增强合成多样特征，提升生成式零样本学习

    本文提出了一种使用生成模型合成多样性特征来增强零样本学习的新框架，以解决现有方法使用的单一属 性信息无法完全表达样本丰富特征的问题。在四个基准数据集上的实验证明，本方法在性能方面显着优于现有工作。

    Dec, 2021

  • 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

  • 面向图零样本学习的属性传播网络

    本文介绍了一种使用属性传播网络（APNet）进行零样本学习的方法，其优化了用于零样本分类的属性空间，并使用图传播模型和最近邻分类器来实现更好的分类准确性。

    Sep, 2020

  • 元学习属性自互作网络用于持续和广义零样本学习

    零样本学习是一种具有广泛应用前景的方法，该研究提出了使用元学习的属性自交互网络（MAIN）来解决零样本学习中的挑战，该方法能够在不使用未见过的类别属性的情况下实现超越最先进结果的性能提升，同时在训练速度上也比基于生成模型的方法快 100 倍以上。

    Dec, 2023

  • 基于视觉 transformer 的多头自注意力机制用于零样本学习

    本文提出了一种关注机制的模型以学习适用于未见过的类别识别的属性，在三个常用的零样本学习基准测试上达到了新的最先进效果。

    Jul, 2021

  • 零样本学习中的语义关系保留

    本研究针对零样本学习领域，将语义信息与属性相关联，通过使用一组关系来利用属性所张成的空间结构，提出了一种方法，在嵌入空间中保留这些关系的目标函数，从而导致嵌入空间的语义性的提高。通过在五个基准数据集上进行广泛的实验评估，我们证明了欲使嵌入空间语义化对零样本学习有益。该方法在标准零样本设置以及更加现实的广义零样本设置上均优于现有技术，同时演示了该方法如何对于对于某个没有属性信息的图像做出近似的语义推断是有用的。

    Mar, 2018