通过深度生成模型和多模态先验条件生成模型来实现零样本学习,无需非现有数据,可对可见和不可见类进行分类和生成。
Oct, 2019
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
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
本研究提出了一种基于语义一致性的零样本学习框架,在训练、特征合成和分类的所有阶段都强制执行语义一致性,并采用反馈循环来迭代地优化生成的特征,实验证明该方法在六个零样本学习基准任务上表现优异。
Mar, 2020
本文提出了基于产品专家公式和 A UD 模块的零样本和少量样本归纳学习框架,利用来自非数据类的未标记采样来提高任意数量学习的泛化能力,并证明了该模型适用于有限监督场景下的广义零样本模型。
Jul, 2021
针对非离散训练和测试类别的广义零样本学习,本文提出了一种基于变分自编码器的生成性框架,该框架包括概率编码器和概率条件解码器。通过一个反馈机制,研究者用一个发生器生成来自已知 / 未知类别的新样本,然后将这些样本用于训练任何现成的分类模型。本文的模型在广义零样本学习方案中,可以从未知类别生成样本来训练模型,从而减少对已知类别的偏见。在多个基准数据集上的实验结果表明,相比多个最先进方法,本文的模型表现更好。
Dec, 2017
该研究提出使用生成对抗网络(GAN)来 “合成” 零样本类别的 CNN(卷积神经网络)特征,从而应对通用零样本学习任务中已有的数据不平衡问题。实验结果表明,该方法在多个数据集上的表现均显著优于现有方法。
本篇论文研究了利用标签信息、属性以及关系图加强零样本学习和广义零样本学习,基于这个方法,本文在 CUB 和 SUN 数据集上取得了比强基线更好的结果。
Oct, 2020
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
在标准监督学习设置中,假设训练数据和测试数据来自相同的分布(领域)。领域泛化(DG)方法旨在学习一个模型,该模型在多个领域的数据上训练时可以推广到新的未见领域。我们将 DG 扩展到了一个更具挑战性的领域,其中未知领域的标签空间也可能发生变化。我们将此问题称为零射领域泛化(据我们所知,这是第一个这样的尝试),其中模型不仅可以在新的领域之间推广,还可以在这些领域中的新类之间推广。我们提出了一种简单的策略,该策略有效地利用了类的语义信息,以使现有的 DG 方法满足零射领域泛化的要求。我们在 CIFAR-10、CIFAR-100、F-MNIST 和 PACS 数据集上评估了所提出的方法,为这个新的研究方向奠定了坚实的基础。
Aug, 2020