零样本学习的分类器和样本合成
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
采用概率生成建模的方法,基于潜在空间中的原型及其语义关系,生成虚拟的未见类实例以解决直接迁移学习中存在的域偏移问题,实验结果表明该模型优于现有零样本学习方法。
May, 2017
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
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
该研究提出了一种新的零样本学习框架,并基于 Unseen Visual Data Synthesis 算法,利用语义属性有效地合成未见过的视觉特征,以解决实际应用中缺乏带标注样本的问题,并证实其能够显著提高现有技术水平。
May, 2017
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
本文提出了一种基于耦合字典学习的零样本学习方法,该方法通过利用种类原型中的区分性信息来对齐视觉 - 语义结构,进而提高不太具有区分性的语义空间的表现,并通过简单的最近邻方法在不同空间上执行零样本识别。在四个基准数据集上的实验证明了该方法的有效性。
Jul, 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