CVPRMar, 2018

零样本学习的传统无偏嵌入

PDF
TL;DR本文提出了一种名为准完全监督学习（QFSL）的方法，通过转导学习的方式进行训练，解决了现有零样本学习方法中强偏差问题，并在 AwA2、CUB 和 SUN 数据集上进行了实验，表明我们的方法在广义 ZSL 设置下胜过现有的最先进方法 9.3〜24.5％，在常规的 ZSL 设置下则高出 0.2〜16.2％的显著优势。
zero-shot learningbiasquasi-fully supervised learningtransductive learningsemantic embedding space
发现论文，激发创造
  • 跨领域多类别和多标记零样本学习

    本文讨论了两种与传统方法相关的工作：利用传导学习 ZSL 和将 ZSL 推广到多标签情况下。

    Mar, 2015

  • 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

  • 零样本学习有效深度嵌入

    本文针对零样本学习中的交叉域匹配问题，详细探讨优秀的 embedding 空间应满足的两个标准：类内紧度和类间可分性，并提出了一种基于两个分支网络的方法来同时映射语义描述和视觉样本到 joint 空间，并在其中强制要求视觉嵌入与类级语义嵌入相同，同时实现区分可训练分类器，实现跨未知类别输入的优化过程。此外，我们还扩展了我们的方法来处理 ZSL 中的模型偏差问题，并在五个标准数据集上获得了卓越的性能。

    Aug, 2018

  • 以缺失数据问题为形式的零样本学习

    本文探讨了零样本学习方法在解决 ' 缺失数据问题 ' 而非 ' 缺失标签问题 ' 时的有效性，通过将知识从标签嵌入空间转移到图像特征空间，估计未见过的类在图像特征空间的数据分布，实验表明，与现有方法相比，该方法在两个流行数据集上的表现更优

    Dec, 2016

  • OntoZSL: 基于本体增强的零样本学习

    通过本体论知识表示和语义嵌入，以更丰富和竞争的先验知识建模 ZSL 的类间关系，并使用生成对抗网络（GANs）开发了一种生成 ZSL 框架，以解决已知类和未知类之间的数据不平衡问题。

    Feb, 2021

  • 语义对齐减少偏见的零样本学习

    本文提出了一种新的零样本学习方法 ——Semantically Aligned Bias Reducing (SABR) ZSL，旨在通过学习一个潜在空间来解决 hubness 问题，同时通过交叉验证和弱转移约束来减轻示例类别偏移问题，并在三个基准数据集上广泛实验证明，与现有的最先进算法相比，在传统和推广的 ZSL 设置下，性能显著提高了 1.5-9％或 2-14％。

    Apr, 2019

  • 利用语义属性进行归纳零样本学习

    本文提出一种新的传输零样本学习方法，该方法使用生成对抗网络从未见过的特征提取出语义属性，并将其融合到产生模型中，从而捕获未见类别内的细微差异，合成更具辨别能力的特征。在五个标准基准测试中，本方法取得了零样本学习的最新成果。

    Mar, 2023

  • 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

  • 跨视角多视图零样本学习

    本文提出了一种解决零样本学习中投影域偏移和原型稀疏性问题的新框架，即传导多视图嵌入法，并提出了异构多视图超图标签传播方法，旨在通过多种语义表示结构的协同作用，有效利用不同语义表示的补充信息，解决多个数据集的分类问题。

    Jan, 2015

  • 广义零样本学习方法综述

    本文综述了广义零样本学习（GZSL）的问题及挑战，展示了一种分层分类方法，并讨论了每个类别中的代表性方法，同时探讨了 GZSL 可用的基准数据集和应用以及未来研究方向。

    Nov, 2020