ECCVJul, 2018

增强属性的有选择性零样本分类

PDF
TL;DR通过使用人工定义和自动发现到的残差属性，提出了一种基于选择性零样本分类器，通过在人工定义属性的子空间中进行预测并使用定义和残差属性来度量预测置信度，以解决分类器在选择分类场景中做出可疑预测的问题，并在多个基准测试中证明了其优异的表现。
zero-shot classificationselective classificationattributesprediction confidenceperformance
发现论文，激发创造
  • 使用不可靠属性的零样本识别

    本研究提出一种新颖的随机森林方法用于零样本学习，能更好地应对属性预测不可靠的问题，对于少样本和无训练样本学习在视觉分类学习中得到广泛应用。

    Sep, 2014

  • 适用于任意样本学习的属性原型网络

    提出一种基于属性本地化的图像表示学习框架，通过视觉语义嵌入层学习全局特征，并通过属性原型网络同时回归和解相关属性，为任意样本，包括零样本和少样本图像分类任务提供有益的属性知识转移，并引入变焦模块以局部化和裁剪信息区域鼓励网络显式地学习最有效的特征。此外，该模型通过视觉化和用户研究定量和定性评估属性本地化能力，并在三个基准测试中取得新的最优结果。

    Apr, 2022

  • 恢复丢失的链接：预测类属性关联以进行无监督零样本学习

    本文提出了一种基于属性的无监督学习方法，通过学习将类别嵌入与属性耦合的关系模型，来自动预测未见过的类别与属性之间的关联，并支持跨数据集的属性传递。实验证明，该方法在 Animals with Attributes 和 aPascal/aYahoo 数据集上的性能优于现有方法。

    Oct, 2016

  • 零样本学习的属性原型网络

    通过集成属性局部化能力的图像表示，建议使用只有类别级别的属性来更好地将基于属性的知识从已知类别转移到未知类别，为此，提出了一种新的零样本表示学习框架，使用属性原型网络共同学习具有区分性全局和局部特征。对于三个零样本学习基准测试，我们的局部增强图像表示方法实现了一个新的最先进水平。

    Aug, 2020

  • 强监督下的多线索零样本学习

    利用多个文本来源和语义部分注释来提供更强的监督辅助信息，达到零样本识别和检索的目标。

    Mar, 2016

  • 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

  • 通过属性增强合成多样特征，提升生成式零样本学习

    本文提出了一种使用生成模型合成多样性特征来增强零样本学习的新框架，以解决现有方法使用的单一属 性信息无法完全表达样本丰富特征的问题。在四个基准数据集上的实验证明，本方法在性能方面显着优于现有工作。

    Dec, 2021

  • Attributes2Classname：一种基于属性的判别式无监督零样本学习模型

    本论文提出了一种基于名称的无监督零样本学习方法，通过区别性地学习单词表示，使得类别和属性名称的相似性与视觉相似性相符，突破了传统零样本学习方法依赖属性特征标注的限制，并且能够在纯文本数据上进行训练，实验结果表明该方法在三个基准数据集上取得了最先进的性能。

    May, 2017

  • 属性定位和修订网络用于零样本学习

    本文介绍了 Attribute Localization and Revision Network（属性定位和修正网络），通过属性定位模块（ALM）和属性修正模块（ARM）实现了零样例学习任务，并且通过综合实验结果验证了该模型的有效性。

    Oct, 2023

  • VL-Taboo：面向属性的零样本视觉 - 语言模型能力分析

    本研究分析了基于大规模数据的视觉 - 语言模型的真正零样本能力及其属性基零样本学习能力，评估了现有模型对不同基准测试的性能表现及影响因素。结果表明该模型主要通过识别语言中的类标签实现零样本学习，属性数的变化会显著影响其表现。

    Sep, 2022