IJCAIJul, 2017

语义相关性正则化的增强型零样本学习

PDF
TL;DR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。
发现论文，激发创造
  • 语义对齐减少偏见的零样本学习

    本文提出了一种新的零样本学习方法 ——Semantically Aligned Bias Reducing (SABR) ZSL，旨在通过学习一个潜在空间来解决 hubness 问题，同时通过交叉验证和弱转移约束来减轻示例类别偏移问题，并在三个基准数据集上广泛实验证明，与现有的最先进算法相比，在传统和推广的 ZSL 设置下，性能显著提高了 1.5-9％或 2-14％。

    Apr, 2019

  • 零样本识别中的语义一致性正则化

    探讨了语义在零样本学习中的作用，通过对监督形式的分析，发现一个新的卷积神经网络框架，用语义作为识别的约束，通过引入基于损失和密码字的正则化来提高分类效果。

    Apr, 2017

  • 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

  • 基于语义特征合成和竞争学习的零次和少次学习

    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

  • OntoZSL: 基于本体增强的零样本学习

    通过本体论知识表示和语义嵌入，以更丰富和竞争的先验知识建模 ZSL 的类间关系，并使用生成对抗网络（GANs）开发了一种生成 ZSL 框架，以解决已知类和未知类之间的数据不平衡问题。

    Feb, 2021

  • SEER-ZSL: 通用零样本学习的语义编码增强表示

    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

  • 重新思考零样本学习：基于条件视觉分类的观点

    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

  • 泛零样本学习的语义分离

    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

  • 通过结构对齐学习类别原型以实现零样本识别

    本文提出了一种基于耦合字典学习的零样本学习方法，该方法通过利用种类原型中的区分性信息来对齐视觉 - 语义结构，进而提高不太具有区分性的语义空间的表现，并通过简单的最近邻方法在不同空间上执行零样本识别。在四个基准数据集上的实验证明了该方法的有效性。

    Jul, 2018

  • 泛零样本学习的语义特征提取

    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