Jan, 2018

零样本和少样本动作识别的生成式方法

PDF
TL;DR本文提出了一种零样本动作识别的生成性框架，该框架基于建模每个动作类，使用代表该动作类的属性向量的概率分布的参数的函数。特别地，我们假设视觉空间中任何动作类的分布参数都可以表示为一组基向量的线性组合，其中组合权重由动作类的属性给出。这篇文章的实验表明，和各种基线模型相比，在标准零样本和归纳 / 转导的情况下，我们的方法都获得了显着的性能提升。
发现论文，激发创造
  • 泛零样本行为识别的非分布检测

    本文提出了一种基于超出分布检测器的广义零样本学习框架，以解决零样本行为识别中的问题。我们使用生成式对抗网络合成了新的动作类别特征，并将其用于训练检测器。实验证明，该方法在三个数据集上的性能优于基准模型（f-CLSWGAN），分类准确率分别提高了 7.0％、3.4％和 4.9％。

    Apr, 2019

  • 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

  • 统一几个与零个拍摄的自我中心动作识别

    本文通过将 few-shot generalization 和 zero-shot generalization 相结合，并在传统的直接对齐基线上添加度量学习损失，探索了面向 open-set 分类的通用化方法，并在基于 EPIC-KITCHENS 数据集的新分裂的基础上进行了评估，结果表明这种方法可以提高零样本分类的准确性高达 10％，同时不损失 few-shot 性能。

    May, 2020

  • 零样本动作识别的语义嵌入空间

    本篇论文探讨零样本学习在现代视频动作识别任务中的应用，采用语义词向量空间作为视频和类别标签的共同空间来解决语义信息相对复杂，并且难以学习的问题。通过自我训练和数据增强等策略，大大提高了这种映射的有效性，在 HMDB51 和 UCF101 等人体动作数据集上，本方法实现了最新的零样本动作识别性能。

    Feb, 2015

  • 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

  • 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

  • 视频零样本动作识别：一项调查

    本论文介绍了零样本动作识别在视频方面的研究现状，总结了可视化特征提取和语义特征提取的方法，并提供了完整的数据集、实验和协议描述，指出了未来工作的方向。

    Sep, 2019

  • 利用强化学习进行聚类的零样本动作识别 (CLASTER)

    本研究提出了一种名为 CLASTER 的基于质心的零样本行动识别方法，它通过聚类视觉和语义向量表征，并通过强化学习进行聚类优化，有效实现了对新类别的识别。实验结果表明该方法在多个标准数据集上均优于现有算法。

    Jan, 2021

  • 从多样化的物体场景组合中的零样本行为识别

    本研究提出了基于物体和场景组成误差与多样性要求的无监督零样本动作识别方法，该方法不需要已训练的视频集，能够有效地提高动作识别效果。

    Oct, 2021

  • 基于度量的视频动作识别小样本学习

    本研究介绍了针对少样本学习的视频动作识别任务，采用双流模型和三种常见的基于度量的算法，通过一组卷积和递归神经网络视频编码器进行训练和评估，证实了双流设置的重要性，并发现原型网络和池化长短期记忆网络嵌入为少样本方法和视频编码器提供了最佳性能。在 Kinetics 600 数据集上进行的 5-shot、5-way 任务中，该设置在测试集上获得了 84.2% 的准确度，而在混淆度较高的 “挑战” 测试集上获得了 59.4% 的准确度。

    Sep, 2019