提出了一种利用积分投影的语义自编码器(IP-SAE)模型,可以有效应用于不同但相关的目标数据分布,从而学习通过一个数据源分布进行嵌入。该模型能够解决因域漂移引起的问题和域变化的偏见,同时在四个基准数据集上表现出超越最新技术的表现。
Jun, 2023
通过创新性的编码器和组合损失函数,本论文介绍了一种双重策略来解决广义零样例学习中的泛化差距,并提出了一套新的评估指标,以更详细地评估结果的可信度和可复现性。
Dec, 2023
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
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
本文提出了一种利用本地特征将未见类别映射到语义属性的区域语义对齐网络(RSAN)方法,使得将所学类别的知识成功地以区域方式传递给未见类别,并通过语义知识对图像编码器进行属性回归以提取稳健和属性相关的视觉特征,对多个标准 ZSL 数据集的实验验证了该方法的优点,超过了最先进的方法。
Oct, 2021
本文针对广义零样本学习任务,提出了一种新颖的语义分离框架,使用条件 VAE 将未见过的类别的视觉特征分解为与语义一致、不相关的潜在向量,并且通过相关性惩罚和关系网络确保两个分解表示之间的独立性和语义一致性。在四个广义零样本学习基准数据集上的实验表明,由该框架分离出的语义一致特征在规范化和广义零样本学习任务中更具普适性。
Jan, 2021
本篇论文研究了利用标签信息、属性以及关系图加强零样本学习和广义零样本学习,基于这个方法,本文在 CUB 和 SUN 数据集上取得了比强基线更好的结果。
Oct, 2020
提出了一种称为 SP-AEN 的新框架,用于进行零样本视觉识别,其目的是解决嵌入式零样本学习中的语义丢失问题,通过对两个子空间的敌对学习来实现语义的转移和提高零样本识别能力。在基准测试中,相比其他最先进的方法,SP-AEN 不仅能提高分类性能,还能生成逼真的图像。(提高了 12.2%、9.3%、4.0%和 3.6%的综合平均值)
Dec, 2017
本文提出了一种新的基于语义特征提取的广义零样本学习(SE-GZSL)技术,使用包含仅属性相关信息的语义特征来学习图像和属性之间的关系,从而可以消除由图像特征中包含的与属性无关的干扰信息,通过使用提出的互信息损失和相似性损失函数,证明了该 SE-GZSL 技术在各种数据集中均优于传统的 GZSL 方法。
Dec, 2021