ICMLJan, 2019

基于学习潜在语义组件的领域自适应、零样本和少样本识别分类器

PDF
TL;DR研究计算机视觉相关技术，提出新颖的视觉属性编码方法用于领域适应、少样本学习和零样本学习等场景中，通过运用训练数据中的代表性原型作为概率向量进行编码，以此作为分类器的输入来进行测试，且在有限的少量注释标签下以及新语义属性下表现，优于针对特定上下文训练的现有方法。
computer visiondomain adaptationfew shot learningzero-shot learningvisual attribute encoding
发现论文，激发创造
  • 零样本识别的潜在特征判别学习

    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

  • 基于数据无关的广义零样本学习

    基于 CLIP 基类分类器的无数据零样本学习方法提出了一个通用框架，该框架包含三个主要组成部分：基于 vMF 分布建模基类数据的虚拟特征恢复、特征 - 语言输入调整以进一步对齐虚拟图像特征和文本特征、使用对齐后的特征训练条件生成模型，可以生成新类别的特征并实现更好的零样本泛化。在常用的五个广义 ZSL 基准和 11 个基类到新类别 ZSL 基准上进行了评估，结果显示了该方法的优越性和有效性。

    Jan, 2024

  • 基于语义特征合成和竞争学习的零次和少次学习

    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

  • 使用生成潜在原型模型进行零样本学习

    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

  • 视觉 - 语义对比对齐在小样本图像分类中的应用

    本文介绍了一种对称的对齐机制，用于学习从极少的例子中获取更广义的视觉概念的方法。实验结果表明，该方法是通用的，并提供了一个强大的基准。

    Oct, 2022

  • 零样本学习的简单有效本地化属性表示

    本文提出一种利用语义 / 属性空间的区域表示来实现无监督学习的方法，其中区域表示的本地化是隐式的。本方法具有高度的可解释性，能够取得 CUB 和 SUN 数据集上的最新性能以及在 AWA2 数据集上优于一般性能更复杂的方法。

    Jun, 2020

  • 卷积原型学习用于零样本识别

    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

  • 基于自训练字典方法的推导式零样本学习

    本文提出一种基于双向映射的语义关系建模方案，实现跨模态的知识转移并解决领域转化问题，通过迭代更新使得分类器不断加强预测能力，实验结果在三个基准数据集上显著优于现有方法。

    Mar, 2017

  • 领域不变投影学习用于零样本识别

    本文提出一种新的零样本学习模型（DIPL），其中引入一种域不变特征自重建任务并通过语义空间中超类的形成进一步对齐两个域，以解决转移学习中看不见的物体分类问题。我们的模型在大量试验中表现出优异的性能，优于现有技术方案。

    Oct, 2018

  • 领域自适应少样本学习

    本文提出一种新的面向领域自适应少样本学习（DA-FSL）的解决方案，即基于领域对抗性原型网络（DAPN），该模型通过显式增强源 / 目标每类别的区分性在域自适应特征嵌入学习之前，以实现全局领域分布对齐，同时保持源 / 目标每类别的差异性从而提高 FSL 的性能。实验表明，DAPN 模型优于现有的 FSL 和 DA 模型及其简单组合。

    Mar, 2020