零样本目标检测：学会同时识别和定位新概念

Mar, 2018

零样本目标检测：学会同时识别和定位新概念

Zero-Shot Object Detection: Learning to Simultaneously Recognize and Localize Novel Concepts

Shafin Rahman, Salman Khan, Fatih Porikli

TL;DR本文提出了用于同时识别和定位未见过类别的物体实例的 Zero-Shot Detection 问题，并引入基于 ILSVRC 数据集的新实验协议和元类概念来改善自动推导的语义描述的噪音，旨在在视觉和语义领域信息之间建立协同作用的新型 'Zero-Shot Detection' 深度神经网络。

Abstract

Current zero-shot learning (ZSL) approaches are restricted to recognition of a single dominant unseen object category in a test image. We hypothesize that this setting is ill-suited for real-world applications where unseen objects appear only as a part of a complex scene, warranting bo

zero-shot learning object detection ilsvrc dataset deep networks meta-classes

发现论文，激发创造

零样本物体检测

本文提出了一种解决零样本目标检测问题的方法，并通过使用视觉 - 语义嵌入，背景感知方法，以及使用大量类别语义标签的辅助数据来解决仅有少数训练类别的问题。在 MSCOCO 和 VisualGenome 两个标准检测数据集上进行实验，验证了该方法的有效性。

Apr, 2018

基于语义引导的零样本目标检测对比网络

ContrastZSD 是一种用于零样本目标检测的基于语义指导对比学习的检测框架，它通过引入显式的语义指导和对比学习机制，来优化模型对未见过类别的认知，同时改善视觉特征结构以实现更好的视觉 - 语义对齐。

Sep, 2021

混合区域嵌入的零样本目标检测

该研究提出了一种基于凸组合嵌入的检测框架来解决零样本目标检测问题，并在 Fashion-MNIST 数据集上进行实验，在 Pascal VOC 检测挑战中获取了令人满意的结果。

May, 2018

面向上下文的零样本学习用于物体识别

本文提出了一种基于语义表示的全新的 Zero-Shot Learning 方法，并引入了上下文因素提高了对象的分类效果，通过在 Visual Genome 上进行的实验表明，增加上下文信息可以显著提高标准的 ZSL 方法。

Apr, 2019

遥感影像中的细粒度物体识别与零样本学习

研究了一种基于卷积神经网络的零迁移学习模型，该模型利用辅助信息学习一种兼容性函数，实现对未看到类别的识别，并对通过多种辅助信息对新数据集进行了实验验证。

Dec, 2017

广义零样本学习在野外物体识别中的实证研究与分析

本文提出可以解决识别来自已知类别与未知类别的图像的冲突的校准方法，探讨了零样本学习的 generalized zero-shot learning 的问题，并提出了评估模型性能的评价指标。研究结果表明当前模型表现与理想语义嵌入间的差异，强调改进类别语义嵌入对于 GZSL 的重要性。

May, 2016

基于自训练字典方法的推导式零样本学习

本文提出一种基于双向映射的语义关系建模方案，实现跨模态的知识转移并解决领域转化问题，通过迭代更新使得分类器不断加强预测能力，实验结果在三个基准数据集上显著优于现有方法。

Mar, 2017

使用生成潜在原型模型进行零样本学习

采用概率生成建模的方法，基于潜在空间中的原型及其语义关系，生成虚拟的未见类实例以解决直接迁移学习中存在的域偏移问题，实验结果表明该模型优于现有零样本学习方法。

May, 2017

零样本识别的潜在特征判别学习

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

区域判别式多标记零样本学习

本文提出了一种基于区域的辨别性保持的多标签零样本分类的替代方法，使用 BiAM 模块有效结合了区域和场景上下文信息，并通过映射区域级特征到类语义并只进行空间汇集来获得图像级别的预测。

Aug, 2021