混合区域嵌入的零样本目标检测
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
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。
Mar, 2018
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
提出一种零样本方法,该方法通过训练一个将语义属性预测与视觉特征融合以提出所观察到和未观察到对象类别的目标边界框的端到端模型,不使用语义信息,在测试时能明显提高针对未知对象的平均精度,应用于 PASCAL VOC 和 MS COCO 数据集时观察到显著改进。
Mar, 2018
研究零样本物体检测的核心挑战,以设计了一个含有内类语义分歧组件和类间结构保持组件的框架,展示了新型方法在 PASCAL VOC、COCO 和 DIOR 数据集上实现了最先进的性能,并首次在遥感影像中达到了零样本物体检测的研究。
Jan, 2022
本文关注于零样本学习中如何挖掘物体的区分特征,提出了基于语义导向的多注意力定位模型,该模型通过发现物体最区分性的部分实现了零样本学习且不需要任何人工标注。在三个广泛使用的零样本学习基准测试上的综合实验表明,该模型及其提出的方法在很大程度上提高了现有技术水平的效果。同时,该方法对整个物体以及检测到的部分学习了协同的全局和局部特性,基于语义描述对物体进行分类。
Mar, 2019
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
本文提出了一个新的任务:零样本语义分割,要求学习像素级分类器从未见过的物体类别中进行分类。ZS3Net 是本文提出的一种新架构,它将深度视觉分割模型与从语义词嵌入生成视觉表示的方法相结合,以实现在测试时间处理已见和未见类别的像素分类任务。本文还通过自我训练进一步提高了性能,并在 Pascal-VOC 和 Pascal-Context 两个标准分割数据集上提出了零样本基准并设立竞争基线。此外,对于像 Pascal-Context 数据集中的复杂场景,我们通过使用图形上下文编码来完全利用来自类别分割地图的空间上下文先验知识。
Jun, 2019
本文介绍了一种简单的图像嵌入系统构建方法,可以从现有的任何 n-way 图像分类器和语义词嵌入模型中构建,该方法通过使用类标签嵌入向量的凸组合将图像映射到语义嵌入空间中,不需要进行额外的训练,该方法在 ImageNet 零样本学习任务上表现优异。
Dec, 2013