Nov, 2018

无需训练标注数据的零样本目标检测中的极性损失

PDF
TL;DR本文提出了一种名为 “Polarity loss” 的新型 Loss 函数，通过度量学习来优化 “语义词汇表” 上的噪声语义嵌入，从而改进了零样本目标检测中的视觉 - 语义对齐，同时通过显式地最大化正负预测之间的差距，达到更好的差别化效果。
zero-shot object detectionalignmentsemantic vocabularyembodiment theoriespolarity loss
发现论文，激发创造
  • 零样本检测

    提出一种零样本方法，该方法通过训练一个将语义属性预测与视觉特征融合以提出所观察到和未观察到对象类别的目标边界框的端到端模型，不使用语义信息，在测试时能明显提高针对未知对象的平均精度，应用于 PASCAL VOC 和 MS COCO 数据集时观察到显著改进。

    Mar, 2018

  • 基于语义引导的零样本目标检测对比网络

    ContrastZSD 是一种用于零样本目标检测的基于语义指导对比学习的检测框架，它通过引入显式的语义指导和对比学习机制，来优化模型对未见过类别的认知，同时改善视觉特征结构以实现更好的视觉 - 语义对齐。

    Sep, 2021

  • 零样本目标检测：学会同时识别和定位新概念

    本文提出了用于同时识别和定位未见过类别的物体实例的 Zero-Shot Detection 问题，并引入基于 ILSVRC 数据集的新实验协议和元类概念来改善自动推导的语义描述的噪音，旨在在视觉和语义领域信息之间建立协同作用的新型 'Zero-Shot Detection' 深度神经网络。

    Mar, 2018

  • 跨模态传递的零样本学习

    该研究提出了一种模型，即使没有针对该对象的训练数据，也能在图像中识别对象，并从无监督的大型文本语料库中获取对未知类别的必要知识，在语言中的分布式信息可以被视为理解物体外观的语义基础。

    Jan, 2013

  • 语义引导的多注意力区域定位用于零样本学习

    本文关注于零样本学习中如何挖掘物体的区分特征，提出了基于语义导向的多注意力定位模型，该模型通过发现物体最区分性的部分实现了零样本学习且不需要任何人工标注。在三个广泛使用的零样本学习基准测试上的综合实验表明，该模型及其提出的方法在很大程度上提高了现有技术水平的效果。同时，该方法对整个物体以及检测到的部分学习了协同的全局和局部特性，基于语义描述对物体进行分类。

    Mar, 2019

  • 零样本物体检测中综合未见过的物体

    提出了一种用于物体检测的零样本学习方法，通过合成视觉特征实现模型同时学习已知和未知的物体，并采用一种新颖的生成模型，使用类语义不仅生成特征，而且还对它们进行鉴别分离。在三个物体检测基准测试中表现优秀，超过现有技术方法。

    Oct, 2020

  • 零样本学习中预测未见类别的视觉典型

    本文提出了一种新的零样本学习模型，利用语义嵌入空间中的聚类结构来对已知对象的类别语义描述和示例进行建模，并通过训练多个基于核的回归器来实现语义表示 - 范例对的结构约束，从而在包括 ImageNet 数据集在内的标准基准数据集上显着优于现有的零样本学习方法。

    May, 2016

  • 零样本学习的合成分类器

    通过在语义空间和模型空间中相互协作的 “幻影” 对象类的优化，实现了零样本学习的最优判别性能，克服了训练阶段没有示例的难题。

    Mar, 2016

  • 零样本实例分割的语义促进去偏置与背景消歧

    本文提出 D$^2$Zero 模型结合语义推动减偏和背景消除，以提高零样本实例分割人工智能的表现，实验表明我们的方法比先前的最先进方法显着优越。

    May, 2023

  • 零样本语义分割

    本文提出了一个新的任务：零样本语义分割，要求学习像素级分类器从未见过的物体类别中进行分类。ZS3Net 是本文提出的一种新架构，它将深度视觉分割模型与从语义词嵌入生成视觉表示的方法相结合，以实现在测试时间处理已见和未见类别的像素分类任务。本文还通过自我训练进一步提高了性能，并在 Pascal-VOC 和 Pascal-Context 两个标准分割数据集上提出了零样本基准并设立竞争基线。此外，对于像 Pascal-Context 数据集中的复杂场景，我们通过使用图形上下文编码来完全利用来自类别分割地图的空间上下文先验知识。

    Jun, 2019