CVPRDec, 2017

基于生成对抗网络的噪声文本零样本学习方法

PDF
TL;DR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。
发现论文，激发创造
  • 生成式对抗零样本关系学习用于知识图谱

    本文提出了一种零样本学习方法，利用生成对抗网络从文本描述中学习新关系的语义特征并在知识图谱中识别新关系的事实，使得知识图谱的扩展更加容易，实验结果表明这种方法可以被广泛应用于任何版本的知识图嵌入，并在 NELL 和 Wiki 数据集上实现了一致的性能提升。

    Jan, 2020

  • 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

  • 用于零样本学习的特征生成网络

    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。

    Dec, 2017

  • 零样本学习：在线文本文档中噪声抑制的应用

    该研究探索了基于 Wikipedia 等在线文本源的零样本学习中，文本信息与视觉信息结合的方法，提出了一种基于 $l_{2,1}$ 正则化的目标函数，同时抑制文本中的噪声信号并学习文本信息与视觉特征的匹配，实验证明该方法明显优于其他依赖文本信息但无明确噪声抑制的方法。

    Apr, 2016

  • 使用文本描述预测深度零样本卷积神经网络

    本文提出了一种新的模型，使用文字特征来预测深度卷积神经网络（CNN）中卷积和全连接层的输出权重，以分类看不见的类别，同时利用 CNN 架构在不同层面学习特征，从而避免了为图像定义语义属性的问题，并且自动生成了每个视觉类别的伪属性词列表。结果显示，该模型明显优于以往方法。

    Jun, 2015

  • 解放已见类别：通过锚点生成和分类重构提升少样本和零样本文本分类

    我们提出了一个简单而有效的策略，通过利用大型预训练语言模型生成伪新样本并选择最具代表性的样本作为类别锚点，将多类分类任务转换为二元分类任务，并使用查询 - 锚点对的相似性进行预测，从而在少样本和零样本任务中充分利用有限的监督信号，实现模型从已知类别的限制中解放，能够在没有使用任何已知类别样本的情况下准确预测未知类别。

    May, 2024

  • 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

  • 视觉 - 语言模型上的少样本对抗性提示学习

    通过限制数据和提供对抗文本监督，提出了一种少样本对抗提示框架，该框架在提高对抗鲁棒性方面表现出卓越的能力，并在仅使用 1％的训练数据时，达到了与最先进的零样本对抗鲁棒性相匹配的水平。

    Mar, 2024

  • 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