零样本核学习
本文提出了一种新的零样本学习模型,利用语义嵌入空间中的聚类结构来对已知对象的类别语义描述和示例进行建模,并通过训练多个基于核的回归器来实现语义表示 - 范例对的结构约束,从而在包括 ImageNet 数据集在内的标准基准数据集上显着优于现有的零样本学习方法。
May, 2016
本文提出了一种多标签零样本学习的框架,旨在解决测试时如何利用多标签相关性的挑战,并通过实验表明,所提出的深度回归模型和基于语义词向量的零样本学习算法,以及转导式学习策略,优于各种基线算法。
Mar, 2015
本文提出了一种基于深度可视特征嵌入空间的半监督零样本学习方法,通过在签名上进行线性变换以将它们映射到视觉特征上,使得已知类别的签名映射结果靠近相应类别的已标记样本,同时未标记的数据与其中一个未知类别的映射签名也很接近,该方法在四个公共基准测试中的表现证明了其有效性,其中三个的预测准确度均优于最先进方法。
May, 2016
本文提出了一种新的零样本图像分类方法,通过度量学习来控制图像的语义嵌入,实现了不需要在训练阶段使用类别的零样本学习,仅需在地面实况中提供以图像 / 属性为对的约束关系,使得学习模型可以预测一个测试图像与给定属性的一致性,并且该方法在四个挑战性数据集上取得了最好的效果。
Jul, 2016
本文提出一种利用语义 / 属性空间的区域表示来实现无监督学习的方法,其中区域表示的本地化是隐式的。本方法具有高度的可解释性,能够取得 CUB 和 SUN 数据集上的最新性能以及在 AWA2 数据集上优于一般性能更复杂的方法。
Jun, 2020
本文提出了一种卷积原型学习(CPL)框架,用于零样本识别。通过在任务级别假设分布一致性,CPL 能够平稳地转移知识以识别未见样本。在每个任务内部,通过基于距离的训练机制学习区分性视觉原型。因此,我们可以在视觉空间而不是语义空间中进行识别。
Oct, 2019
本研究针对零样本学习领域,将语义信息与属性相关联,通过使用一组关系来利用属性所张成的空间结构,提出了一种方法,在嵌入空间中保留这些关系的目标函数,从而导致嵌入空间的语义性的提高。通过在五个基准数据集上进行广泛的实验评估,我们证明了欲使嵌入空间语义化对零样本学习有益。该方法在标准零样本设置以及更加现实的广义零样本设置上均优于现有技术,同时演示了该方法如何对于对于某个没有属性信息的图像做出近似的语义推断是有用的。
Mar, 2018
该研究提出了一种能够自动发现显著区域及在增强的空间中学习辨别性语义表征的端到端网络,用于零样本学习中。在两个具有挑战性的零样本学习数据集上测试,实验结果显示该方法明显优于现有最先进的方法。
Mar, 2018