Aug, 2018

零样本学习有效深度嵌入

PDF
TL;DR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。
zero-shot learningembedding spacetwo-branch networktransductive settingmodel bias
发现论文，激发创造
  • 零样本学习的深度嵌入模型学习

    本研究提出使用视觉空间作为嵌入空间，以解决深度零样本学习模型的瓶颈问题，并提供了一种自然的机制来联合优化多个语义模态。实验表明，与现有模型相比，该模型明显优于其他模型。

    Nov, 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

  • 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

  • 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

  • 基于语义特征合成和竞争学习的零次和少次学习

    本研究提出了一种基于数据合成和竞争双向投影学习的零样本和少样本学习模型，在语义空间和特征空间之间学习了一个鲁棒的投影函数，并将它应用于语义数据的合成和模糊的非监督训练中，取得了最先进的结果。

    Oct, 2018

  • 领域特定的嵌入网络用于零样本识别

    提出了一种基于领域特定嵌入网络（DSEN）的零样本学习方法，通过将图像数据和语义标签投影到联合嵌入空间中进行识别，该方法分解了领域共享投影函数并使用领域特定子函数探索领域的相似性和差异性，同时引入语义重构和领域划分约束以解决偏倚问题和保持语义关联。实验表明，DSEN 在四个公共基准测试中具有显著的改进。

    Aug, 2019

  • 概念嵌入实现的多标签零样本学习

    本文提出了一种基于概念嵌入和语义学习模型的多标签零样本学习方法，可以高效地将未知类别在已有的概念嵌入空间中进行映射，并在实验中证明在处理含有未知标签的场景时，该方法优于现有多标签零样本学习模型且不需要对语义学习模型进行重新训练。

    Jun, 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

  • 零样本学习的信息瓶颈约束潜在双向嵌入

    该论文提出一种新型的双向嵌入式生成模型，通过信息瓶颈和不确定性估计等手段，实现图像和语义的有效对齐和映射，从而解决了零样本学习中的种种问题。

    Sep, 2020

  • 零样本学习的传统无偏嵌入

    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。

    Mar, 2018