多模态循环一致的广义零样本学习
本文针对广义零样本学习任务,提出了一种新颖的语义分离框架,使用条件 VAE 将未见过的类别的视觉特征分解为与语义一致、不相关的潜在向量,并且通过相关性惩罚和关系网络确保两个分解表示之间的独立性和语义一致性。在四个广义零样本学习基准数据集上的实验表明,由该框架分离出的语义一致特征在规范化和广义零样本学习任务中更具普适性。
Jan, 2021
本文提出了一种利用 GAN 进行视觉数据合成的框架来解决零样本视频分类问题,并结合多级语义推理和匹配感知的互信息相关来提高合成视频特征的鉴别能力,实验结果表明这种方法可以显著提高零样本视频分类的性能。
Apr, 2018
本文提出一种新的零样本学习方法,通过循环一致的对抗网络 (CANZSL),将一种基于自然语言的多模态一致双向生成对抗网络训练用于处理零样本学习问题,以在语义空间中生成逼近真实分布的语义特征。实验结果表明,CANZSL 在自然语言零样本学习任务上的表现优于现有的先进方法。
Sep, 2019
提出一种新的框架,利用双重变分自编码器和三元组损失学习区分性潜在特征,并应用基于熵的校准来最小化见和未见类之间重叠区域的不确定性,在六个基准数据集上进行的实验表明,该方法胜过现有的最先进方法。
Jan, 2021
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
本研究提出了一种新的在线学习方法,旨在解决 continual generalized zero-shot learning 中动态添加新已知或未知类别所带来的挑战,该方法结合了双向增量对齐和特征生成框架以动态适应新类别的到来,并在五个基准数据集上表现出更好的泛化能力。
Mar, 2022
本文提出了一种名为 Dual Adversarial Semantics-Consistent Network (DASCN) 的机制,该机制采用双重 GAN 对视觉语义交互传递的问题进行了处理, 并在广义零样本学习 (GZSL) 问题上实现了先前算法所未能完成的任务。
Jul, 2019
提出一种新型的生成模型 LsrGAN,通过引入 SR-Loss 以显式地进行知识迁移,从而利用语义信息将从已知类中获取的知识迁移到未知类中,实现零样本学习和广义零样本学习。
Jul, 2020
提出了一种混合零样本学习框架,将生成模型与嵌入模型相结合,采用对比嵌入技术进行分类,解决了数据不平衡问题,实验结果表明,在五个基准数据集上,该方法优于现有技术。
Mar, 2021
本文研究了广义零样学习问题,提出了一种新的模型联合了三种不同的方法:视觉 -> 语义映射,语义 -> 视觉映射和度量学习,并且将它们统一在一个框架内,最终的实验结果表明该模型不仅在分类已知类别的图像上具有较高的准确性,而且在分类未知类别的图像上性能也比现有的最先进模型要更好。
Nov, 2018