用于零样本学习的特征生成网络

CVPRDec, 2017

Feature Generating Networks for Zero-Shot Learning

Yongqin Xian, Tobias Lorenz, Bernt Schiele, Zeynep Akata

TL;DR该研究提出使用生成对抗网络（GAN）来 “合成” 零样本类别的 CNN（卷积神经网络）特征，从而应对通用零样本学习任务中已有的数据不平衡问题。实验结果表明，该方法在多个数据集上的表现均显著优于现有方法。

Abstract

Suffering from the extreme training data imbalance between seen and unseen classes, most of existing state-of-the-art approaches fail to achieve satisfactory results for the challenging generalized zero-shot learning task. To circumvent the need for labeled examples of unseen classes,

generalized zero-shot learning gan cnn features semantic information wasserstein gan

发现论文，激发创造

泛零样本学习生成对抗网络

本文研究了广义零样学习问题，提出了一种新的模型联合了三种不同的方法：视觉 -> 语义映射，语义 -> 视觉映射和度量学习，并且将它们统一在一个框架内，最终的实验结果表明该模型不仅在分类已知类别的图像上具有较高的准确性，而且在分类未知类别的图像上性能也比现有的最先进模型要更好。

Nov, 2018

针对生成式零样本学习的特征混淆缓解

本文提出了一种新的特征生成网络 AFC-GAN，用于解决基于 GAN 的零样本学习中存在的特征混淆问题，通过提出边界损失和特征混淆得分指标 FCS 等方法可以显著提高模型的性能。

Sep, 2019

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

使用 GAN 进行视觉数据合成，用于零样本视频分类

本文提出了一种利用 GAN 进行视觉数据合成的框架来解决零样本视频分类问题，并结合多级语义推理和匹配感知的互信息相关来提高合成视频特征的鉴别能力，实验结果表明这种方法可以显著提高零样本视频分类的性能。

Apr, 2018

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

广义零样本学习的模型选择

通过使用生成对抗网络（GAN）生成未见类别的语义嵌入辅助数据点，结合传统训练数据，利用模型选择机制使得泛零样本学习可以分为两个不相交的分类任务，以减少不平衡的数据分布，从而获得最先进的结果。

Nov, 2018

重新思考生成式零样本学习：一种基于集成学习的视觉图块识别方法

使用生成模型从文本描述中生成区域特征以及使用加权投票策略的修正。

Jul, 2020

基于生成对抗网络的噪声文本零样本学习方法

利用生成对抗网络 (GANs) 想象从文本描述中无法见到的类别，生成目标类别的视觉特征，附加伪数据，使得零样本学习自然地转换为传统的分类问题，并提出视觉中心正则化以保持生成特征的跨类别区分能力。实验表明，该方法在基于文本的零样本学习的最大可用基准测试中始终优于现有技术水平。

Dec, 2017

多模态循环一致的广义零样本学习

本研究提出了基于对生成对抗网络训练的新规则的多模态循环一致性语义兼容性的方法，可以用于合成更具代表性的视觉表示，从而在几个公开可用的数据集中展现出最佳的广义零样本学习分类结果。

Aug, 2018

生成式多标记零样本学习

该论文提出了一个不同层面的融合方法，从多标签类别嵌入中生成多标签特征，将其应用于零样本图像分类和检测。实验结果表明，与现有方法相比，我们的跨层级融合方法在三个基准测试数据集上都获得了更好的性能。

Jan, 2021