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
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
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
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
本文提出可以解决识别来自已知类别与未知类别的图像的冲突的校准方法,探讨了零样本学习的 generalized zero-shot learning 的问题,并提出了评估模型性能的评价指标。研究结果表明当前模型表现与理想语义嵌入间的差异,强调改进类别语义嵌入对于 GZSL 的重要性。
May, 2016
本研究提出了一种基于数据合成和竞争双向投影学习的零样本和少样本学习模型,在语义空间和特征空间之间学习了一个鲁棒的投影函数,并将它应用于语义数据的合成和模糊的非监督训练中,取得了最先进的结果。
Oct, 2018
本文综述了广义零样本学习(GZSL)的问题及挑战,展示了一种分层分类方法,并讨论了每个类别中的代表性方法,同时探讨了 GZSL 可用的基准数据集和应用以及未来研究方向。
Nov, 2020
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。
基于 CLIP 基类分类器的无数据零样本学习方法提出了一个通用框架,该框架包含三个主要组成部分:基于 vMF 分布建模基类数据的虚拟特征恢复、特征 - 语言输入调整以进一步对齐虚拟图像特征和文本特征、使用对齐后的特征训练条件生成模型,可以生成新类别的特征并实现更好的零样本泛化。在常用的五个广义 ZSL 基准和 11 个基类到新类别 ZSL 基准上进行了评估,结果显示了该方法的优越性和有效性。
Jan, 2024
本文提出了两个使用零样本学习(ZSL)系统,该系统使用流形嵌入和自动生成视觉分类器来解决具有未知类的任务,并且在五个类视觉识别基准数据集上表现出卓越的性能。
Dec, 2018