基于想象力的样本构建技术在零样本学习中的应用
该研究利用人类创造力领域的启发来模拟无监督学习过程,提出了一种生成视觉特征的方法,名为 Hallucinated Class Descriptions。实证表明该方法成功地应用于 generalized ZSL 以及 AwA2, aPY, 和 SUN 三个数据库上的 Attribute-based ZSL 的准确率得到显著提高。
Apr, 2019
利用创造力的灵感,提出了一个创造力启发模型 CIZSL-v1 和进一步改进的模型 CIZSL-v2,通过对无法识别的类别进行视觉学习来改善 Zero-shot Learning(ZSL)的判别能力,同时引入了类比于创造力文献的学习信号,可以在挖掘类别特征并保证视觉特征之间的差异性的前提下实现已知类别到未知类别的知识转移,提高了模型性能。
Jan, 2021
本文提出了一种卷积原型学习(CPL)框架,用于零样本识别。通过在任务级别假设分布一致性,CPL 能够平稳地转移知识以识别未见样本。在每个任务内部,通过基于距离的训练机制学习区分性视觉原型。因此,我们可以在视觉空间而不是语义空间中进行识别。
Oct, 2019
本文提出了多种不同的零样本学习的算法,包括基于语义属性生成可视特征分类器的深度神经网络,以及一种能够使用未标记数据进行自校准的学习方法,并在所有 ZSL 设置的基准数据集上显著优于现有算法的大量实验结果表明。
Sep, 2019
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
本文面向学习图像分类器的任务,并针对一些分类仅由语义描述(如视觉属性),而其他分类也由实例图像定义的情况下,提出了一种 Zero-Shot classification task (ZSC) 的方法。旨在通过生成模型和有监督学习方法,有效地解决这一问题,实验证明该方法在 ZSC 和广义 ZSC(GZSC)方面均取得了最新的成果。
Aug, 2017
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
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
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
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