CVPRApr, 2019

利用生成式零样本学习的不变侧面

PDF
TL;DR使用生成对抗网络，提出了一种名为 LisGAN 的新方法，可以通过条件噪声直接生成未见过的特征。灵魂样本被引入生成式零样本学习中作为不变的一面，具有类别的元表示，并且通过联合部署两个分类器来实现粗分类和细分类，超过了现有方法的表现。
zero-shot learninggenerative adversarial networkssemantic descriptionsconditional wasserstein ganssoul samples
发现论文，激发创造
  • 多模态循环一致的广义零样本学习

    本研究提出了基于对生成对抗网络训练的新规则的多模态循环一致性语义兼容性的方法，可以用于合成更具代表性的视觉表示，从而在几个公开可用的数据集中展现出最佳的广义零样本学习分类结果。

    Aug, 2018

  • 泛零样本学习的语义分离

    本文针对广义零样本学习任务，提出了一种新颖的语义分离框架，使用条件 VAE 将未见过的类别的视觉特征分解为与语义一致、不相关的潜在向量，并且通过相关性惩罚和关系网络确保两个分解表示之间的独立性和语义一致性。在四个广义零样本学习基准数据集上的实验表明，由该框架分离出的语义一致特征在规范化和广义零样本学习任务中更具普适性。

    Jan, 2021

  • 利用已知和未知语义关系进行零样本生成学习

    提出一种新型的生成模型 LsrGAN，通过引入 SR-Loss 以显式地进行知识迁移，从而利用语义信息将从已知类中获取的知识迁移到未知类中，实现零样本学习和广义零样本学习。

    Jul, 2020

  • 用于零样本学习的特征生成网络

    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。

    Dec, 2017

  • 使用 GAN 进行视觉数据合成，用于零样本视频分类

    本文提出了一种利用 GAN 进行视觉数据合成的框架来解决零样本视频分类问题，并结合多级语义推理和匹配感知的互信息相关来提高合成视频特征的鉴别能力，实验结果表明这种方法可以显著提高零样本视频分类的性能。

    Apr, 2018

  • CIZSL++：创意启迪的生成式零样本学习

    利用创造力的灵感，提出了一个创造力启发模型 CIZSL-v1 和进一步改进的模型 CIZSL-v2，通过对无法识别的类别进行视觉学习来改善 Zero-shot Learning（ZSL）的判别能力，同时引入了类比于创造力文献的学习信号，可以在挖掘类别特征并保证视觉特征之间的差异性的前提下实现已知类别到未知类别的知识转移，提高了模型性能。

    Jan, 2021

  • 消除偏差的语义细化方法用于任意样本学习

    本文提出了一种针对零样本学习、广义零样本学习和少样本学习的语义细化 Wasserstein 生成对抗网络 (SRWGAN) 模型，采用多头表示和分层对齐技术实现语义细化，为分离的类别特征生成提供无偏差的条件，将应用于归纳和转导设置中，并在六个基准数据集上获得了最先进的结果。

    Feb, 2022

  • 泛零样本学习生成对抗网络

    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

  • 重新思考生成式零样本学习：一种基于集成学习的视觉图块识别方法

    使用生成模型从文本描述中生成区域特征以及使用加权投票策略的修正。

    Jul, 2020

  • 泛零样本学习的语义特征提取

    本文提出了一种新的基于语义特征提取的广义零样本学习（SE-GZSL）技术，使用包含仅属性相关信息的语义特征来学习图像和属性之间的关系，从而可以消除由图像特征中包含的与属性无关的干扰信息，通过使用提出的互信息损失和相似性损失函数，证明了该 SE-GZSL 技术在各种数据集中均优于传统的 GZSL 方法。

    Dec, 2021