Dec, 2017

通过合成样例实现广义零样本学习

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 基于类条件深度生成模型的零样本学习

    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。

    Nov, 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

  • 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

  • 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

  • 通过过完备分布实现广义零样本学习

    该研究提出了一种通过使用CVAE生成超完备分布并在其上使用OBTL和CL来改进DNN在ZSL设置下的性能的框架，并在SUN、CUB和AWA2三个公开基准数据库上进行了评估，结果表明生成超完备分布并迫使分类器从重叠到非重叠分布的转换函数可以提高对已知和未知类别的性能。

    Apr, 2020

  • 远程学习：重新思考有限监督下的广义零样本学习

    本文提出了基于产品专家公式和 A UD 模块的零样本和少量样本归纳学习框架，利用来自非数据类的未标记采样来提高任意数量学习的泛化能力，并证明了该模型适用于有限监督场景下的广义零样本模型。

    Jul, 2021

  • 无需标签的Logit调整

    本文提出了一种利用生成模型在Generalized Zero-Shot Learning (GZSL)任务中识别新类别的技术，使用变分贝叶斯推理方法推导评估指标，借助logit adjustment 融合生成的伪类别信息到分类器中，进一步提高了在GZSL任务的性能。

    Apr, 2022

  • 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