零样本识别中的语义一致性正则化
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
本文提出了一种新的零样本图像分类方法,通过度量学习来控制图像的语义嵌入,实现了不需要在训练阶段使用类别的零样本学习,仅需在地面实况中提供以图像 / 属性为对的约束关系,使得学习模型可以预测一个测试图像与给定属性的一致性,并且该方法在四个挑战性数据集上取得了最好的效果。
Jul, 2016
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
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
本文介绍了一种简单的图像嵌入系统构建方法,可以从现有的任何 n-way 图像分类器和语义词嵌入模型中构建,该方法通过使用类标签嵌入向量的凸组合将图像映射到语义嵌入空间中,不需要进行额外的训练,该方法在 ImageNet 零样本学习任务上表现优异。
Dec, 2013
本文关注于零样本学习中如何挖掘物体的区分特征,提出了基于语义导向的多注意力定位模型,该模型通过发现物体最区分性的部分实现了零样本学习且不需要任何人工标注。在三个广泛使用的零样本学习基准测试上的综合实验表明,该模型及其提出的方法在很大程度上提高了现有技术水平的效果。同时,该方法对整个物体以及检测到的部分学习了协同的全局和局部特性,基于语义描述对物体进行分类。
Mar, 2019
本文提出了多种不同的零样本学习的算法,包括基于语义属性生成可视特征分类器的深度神经网络,以及一种能够使用未标记数据进行自校准的学习方法,并在所有 ZSL 设置的基准数据集上显著优于现有算法的大量实验结果表明。
Sep, 2019
本篇研究提出了一种新的框架,Boosted Zero-shot classification with Semantic Correlation Regularization (BZ-SCR), 旨在解决零样本学习中的模型有效性和模型适应性问题,在两个零样本学习数据集上进行实验证明了该方法的优越性。
Jul, 2017
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