用于零样本学习的特征生成网络

Dec, 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,

发现论文，激发创造

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

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

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

利用生成式零样本学习的不变侧面

使用生成对抗网络，提出了一种名为LisGAN的新方法，可以通过条件噪声直接生成未见过的特征。灵魂样本被引入生成式零样本学习中作为不变的一面，具有类别的元表示，并且通过联合部署两个分类器来实现粗分类和细分类，超过了现有方法的表现。

Apr, 2019

基于对抗域自适应的零样本学习生成框架

该研究提出了一种基于领域自适应的生成模型，解决了零样本学习中类分布之间的领域偏移问题，并通过对抗性训练增强了神经网络分类器的鲁棒性。

Jun, 2019

双重对抗一致语义网络用于广义零样本学习

本文提出了一种名为Dual Adversarial Semantics-Consistent Network (DASCN)的机制，该机制采用双重 GAN 对视觉语义交互传递的问题进行了处理，并在广义零样本学习(GZSL)问题上实现了先前算法所未能完成的任务。

Jul, 2019

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

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

用潜在嵌入反馈和鉴别特征进行零样本分类

本研究提出了一种基于语义一致性的零样本学习框架，在训练、特征合成和分类的所有阶段都强制执行语义一致性，并采用反馈循环来迭代地优化生成的特征，实验证明该方法在六个零样本学习基准任务上表现优异。

Mar, 2020

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