零样本学习 3D 点云物体
本研究提出了一种新的基于生成模型的零样本学习方法,能够处理包括分类和语义分割在内的三维数据,在 ModelNet40 数据集上表现良好,并在 S3DIS,ScanNet 和 SemanticKITTI 数据集上进行了验证。
Aug, 2021
本文提出了一种用于解决零样本学习中的 hubness 问题的新的损失函数,并在 ModelNet40、ModelNet10、McGill 和 SHREC2015 等数据集上进行了广泛的评估,建立了在 3D 情况下的零样本任务的最新成果。
Jul, 2019
研究了一种基于卷积神经网络的零迁移学习模型,该模型利用辅助信息学习一种兼容性函数,实现对未看到类别的识别,并对通过多种辅助信息对新数据集进行了实验验证。
Dec, 2017
该研究对最近在机器学习领域受到欢迎的少样本学习在三维感知上的应用进行了深入系统研究,提出了一种新的组件 Cross-Instance Adaptation(CIA) module,将其插入到当前基线模型中可显著提高表现,并在两个新的基准数据集上证明了该模型的优越性。
Mar, 2023
零射点云分割方法探索了如何识别在训练阶段未见过的点云中的新物体,并利用深度模型从已标记的已知类别转移知识到未标记的未知类别,提出了一种新颖的多模态零射学习方法,以更准确地对齐视觉和语义特征,在两个流行的基准数据集 SemanticKITTI 和 nuScenes 上进行的实验表明,我们的方法在未见类别 mIoU 上分别取得了 52% 和 49% 的提升,超过了当前的最佳方法。
Jul, 2023
本文提出了一种基于语义表示的全新的 Zero-Shot Learning 方法,并引入了上下文因素提高了对象的分类效果,通过在 Visual Genome 上进行的实验表明,增加上下文信息可以显著提高标准的 ZSL 方法。
Apr, 2019
本文综述了现有的三维点云分析技术及其算法、应用场景和目标,介绍了使用的数据集和评估指标,并比较了现有解决方案的性能,最后分析了当前技术面临的挑战和吸引人们注意的未来趋势。
Jun, 2023
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
本文主要探讨了当前零样本学习(ZSL)模型在 Imagenet 基准测试中的不足之处,提出了基准测试质量不高的原因,并分析了影响 ZSL 模型准确性的不同因素。进一步介绍了 ZSL 数据集中的结构偏见,并详细阐述了半自动构建新基准的方法,以应对这些缺陷。
Apr, 2019