本文介绍一种名为 VAE-cFlow 的泛化零样本学习方法,使用了生成流模型和 VAE 技术,从语义描述生成可靠的视觉特征来识别已知和未知的类别,并在五个数据集上实现了最先进的 GZSL 结果。
Sep, 2020
通过多个条件仿射耦合层的流式生成框架来学习未知数据的生成,进一步避免语义空间中的结构混乱和生成时的偏移问题。在四个广义零样本学习基准数据集上进行广泛实验,GSMFlow 在 GZSL 上实现了最先进的性能。
Jul, 2022
本文提出一种基于条件似然的方法来构造流生成模型,可以在任意所观测协变量上进行条件概率预测,其应用于数据缺失填补的评价取得了最佳的实验结果。
Sep, 2019
我们提出了一种新颖的知识转移框架,引入连续归一化流进行渐进知识转化,并利用多步采样策略实现精准知识传递。通过引入随机插值,我们理论上证明了 FM-KT 的训练目标相当于最小化教师特征映射或逻辑负对数似然的上界。此外,FM-KT 可以看作是一种独特的隐式集成方法,从而实现性能提升。通过对 CIFAR-100、ImageNet-1k 和 MS-COCO 数据集进行大量实验证明了我们提出的方法在相关比较方法中的可扩展性和最先进性能。
Feb, 2024
本论文提出了基于 flow-based 模型的零样本学习方法 Invertible Zero-shot Flow (IZF),通过反向传播生成数据样本,同时扩大了已知类别和未知类别的分布差异度。IZF 在传统和广义零样本学习的基准测试中表现优异。
Jul, 2020
通过引入一种新的条件方案 C-Flow,该研究将基于流的生成模型扩展到了全新的场景,针对多模态数据建模,包括图像、分割图和边缘掩膜等。还针对无序 3D 点云建立了新的策略,并针对三维重建、图像渲染和多模态图像之间的映射提出了应用,以及实现了高度可适应性的应用。
Dec, 2019
提出一种使用生成流的非自回归序列生成模型,以提高非自回归序列生成的效率。在三个神经机器翻译基准数据集上进行了评估,与最先进的非自回归神经机器翻译模型性能相当且几乎不随序列长度而变化。
该论文提出了一种用于图像分类的深度神经网络方法,通过测试时训练和无监督学习实现领域自适应,并在实验中证明了该方法相对于之前方法的优势。
Oct, 2022
本文提出了一种方法,通过后续学习潜在约束来在不重新训练模型的情况下进行条件生成,并结合逼真的条件生成可生成逼真的有条件图像。同时,该方法使用了基于梯度的优化来演示保持恒等的变换,以最小调整潜在空间以修改图像属性的方法。最后,结合离散的音符序列进行零样本条件生成,无需标记数据或可微分奖励函数。
Nov, 2017
我们提出了一种基于归一化流的多帧视频预测方法,可以直接优化数据可能性并生成高质量的随机预测,该方法可以实现对于视频生成建模的可行且竞争性的方法。
Mar, 2019