AAAINov, 2017

基于类条件深度生成模型的零样本学习

PDF
TL;DR本论文提出了一个利用深度生成模型进行类预测的研究方法，不同于其他类似方法依赖于语义嵌入，我们基于属性条件设计了特定于类别的潜在空间分布，并利用这些潜在空间分布作为监督变分自编码器的先验，使其有更强的区分特征表达能力；同时通过无监督学习利用未标记的未见类别数据进行半监督 / 转导学习，并在少样本学习下与现有方法进行了对比测试。
发现论文，激发创造
  • 通过同时生成和学习实现零样本学习

    通过深度生成模型和多模态先验条件生成模型来实现零样本学习，无需非现有数据，可对可见和不可见类进行分类和生成。

    Oct, 2019

  • 一种使用条件变分自编码器进行零样本学习的生成模型

    这篇文章研究了零样本学习在图像分类中的应用，提出了一种基于条件变分自编码器的生成模型方法，用于模拟未见过的样本，获得更好的分类性能。

    Sep, 2017

  • 通过合成样例实现广义零样本学习

    针对非离散训练和测试类别的广义零样本学习，本文提出了一种基于变分自编码器的生成性框架，该框架包括概率编码器和概率条件解码器。通过一个反馈机制，研究者用一个发生器生成来自已知 / 未知类别的新样本，然后将这些样本用于训练任何现成的分类模型。本文的模型在广义零样本学习方案中，可以从未知类别生成样本来训练模型，从而减少对已知类别的偏见。在多个基准数据集上的实验结果表明，相比多个最先进方法，本文的模型表现更好。

    Dec, 2017

  • f-VAEGAN-D2: 一种适用于任意样本学习的特征生成框架

    本文提出了一种结合 VAE 和 GANs 的条件生成模型，同时通过无条件鉴别器，学习未标记图像的边缘特征分布，在归纳和传递性学习设置中，对任意量少量学习问题进行处理，并在五个数据集中建立了新的零 - 阈值学习的最新技术。同时，证明学习到的特征是可解释的。

    Mar, 2019

  • VAE-Conditioned 生成流的广义零样本学习

    本文介绍一种名为 VAE-cFlow 的泛化零样本学习方法，使用了生成流模型和 VAE 技术，从语义描述生成可靠的视觉特征来识别已知和未知的类别，并在五个数据集上实现了最先进的 GZSL 结果。

    Sep, 2020

  • 学习基于图的先验知识用于广义零样本学习

    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

  • 通过对齐变分自编码器实现广义零样本和少样本学习

    本研究提出了一种基于变分自编码器的模型，通过学习图像特征和类别嵌入的共享潜在空间生成潜在特征，并在其中训练 softmax 分类器，以构建包含未知类别的本质多模态信息的潜在特征。在多个基准数据集上的实验表明，该方法在零样本学习和少样本学习方面取得了最新的最佳表现，并且在各种零样本分割的 ImageNet 上，该方法的潜在特征可以在大规模的情况下进行很好的泛化。

    Dec, 2018

  • 使用多模态变分自编码器和语义概念进行广义零样本学习

    我们提出了一个多模态变分自编码器 (M-VAE)，能够在学习图像特征和语义空间之间的共享潜在空间上，通过使用多模态损失来拟合多模态数据。该方法可用于预测新样本，且实验结果表明在广义零样本学习方面，我们提出的模型优于当前最先进的方法。

    Jun, 2021

  • 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

  • 零样本学习的简单指数族框架

    提出了一个简单的生成模型框架，用于学习预测以前未见过的类，该模型通过估计门限类条件属性分布来实现，与大多数现有的零样本学习方法不同，我们的生成模型自然地将每个类表示为概率分布，可以无缝扩展到少样本学习，并通过在训练过程中使用来自未见过的类的未标记数据提高其条件分布的估计效率。

    Jul, 2017