CVPRApr, 2019

语义对齐减少偏见的零样本学习

PDF
TL;DR本文提出了一种新的零样本学习方法 ——Semantically Aligned Bias Reducing (SABR) ZSL，旨在通过学习一个潜在空间来解决 hubness 问题，同时通过交叉验证和弱转移约束来减轻示例类别偏移问题，并在三个基准数据集上广泛实验证明，与现有的最先进算法相比，在传统和推广的 ZSL 设置下，性能显著提高了 1.5-9％或 2-14％。
zero shot learningsabr zslhubness problembias reductionsemantic relationship
发现论文，激发创造
  • 零样本学习的信息瓶颈约束潜在双向嵌入

    该论文提出一种新型的双向嵌入式生成模型，通过信息瓶颈和不确定性估计等手段，实现图像和语义的有效对齐和映射，从而解决了零样本学习中的种种问题。

    Sep, 2020

  • OntoZSL: 基于本体增强的零样本学习

    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

  • 区域语义对齐网络用于零样本学习

    本文提出了一种利用本地特征将未见类别映射到语义属性的区域语义对齐网络（RSAN）方法，使得将所学类别的知识成功地以区域方式传递给未见类别，并通过语义知识对图像编码器进行属性回归以提取稳健和属性相关的视觉特征，对多个标准 ZSL 数据集的实验验证了该方法的优点，超过了最先进的方法。

    Oct, 2021

  • 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

  • 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

  • 零样本学习有效深度嵌入

    本文针对零样本学习中的交叉域匹配问题，详细探讨优秀的 embedding 空间应满足的两个标准：类内紧度和类间可分性，并提出了一种基于两个分支网络的方法来同时映射语义描述和视觉样本到 joint 空间，并在其中强制要求视觉嵌入与类级语义嵌入相同，同时实现区分可训练分类器，实现跨未知类别输入的优化过程。此外，我们还扩展了我们的方法来处理 ZSL 中的模型偏差问题，并在五个标准数据集上获得了卓越的性能。

    Aug, 2018

  • 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

  • 跨领域多类别和多标记零样本学习

    本文讨论了两种与传统方法相关的工作：利用传导学习 ZSL 和将 ZSL 推广到多标签情况下。

    Mar, 2015

  • 通过利用对抗样本进行零样本学习

    零样本学习（ZSL）通过从已见类别中获取的知识（如视觉和语义关系）进行泛化，旨在识别未见类别，但常用的图像增强技术可能对 ZSL 产生负面影响，我们提出一种利用对抗样本的新型 ZSL 方法来解决语义扭曲问题，在三个著名的零样本基准数据集上进行了综合实验，证明了对抗样本方法在 ZSL 和广义零样本学习（GZSL）场景中的有效性。

    Aug, 2023