ICCVApr, 2019

通过交替反向传播学习特征对特征的翻译器，用于生成式零样本学习

PDF
TL;DR该论文提出了一种基于生成模型的零样本学习框架，在该框架中采用特征到特征翻译网络和条件生成器，通过交替反向传播学习，进一步提高了在不完整视觉特征条件下的零样本学习性能。
zero-shot learningfeature-to-feature translator networksgenerative modelback-propagationconditional generator
发现论文，激发创造
  • 针对生成式零样本学习的特征混淆缓解

    本文提出了一种新的特征生成网络 AFC-GAN，用于解决基于 GAN 的零样本学习中存在的特征混淆问题，通过提出边界损失和特征混淆得分指标 FCS 等方法可以显著提高模型的性能。

    Sep, 2019

  • VAE-Conditioned 生成流的广义零样本学习

    本文介绍一种名为 VAE-cFlow 的泛化零样本学习方法，使用了生成流模型和 VAE 技术，从语义描述生成可靠的视觉特征来识别已知和未知的类别，并在五个数据集上实现了最先进的 GZSL 结果。

    Sep, 2020

  • 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

  • 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

  • 基于生成回放的动态 VAE 模型实现持续零样本学习

    本文提出了一种新的继续零样本学习模型 (DVGR-CZSL)，通过生成式回放来防止灾难性遗忘，该模型与先前学习过的类一起更新。实验证明，这种混合模型在几个数据集中优于基线，能够有效地进行任务顺序学习，并且在零样本学习中具有优越性。

    Apr, 2021

  • CANZSL: 适用于自然语言零样本学习的循环一致性对抗网络

    本文提出一种新的零样本学习方法，通过循环一致的对抗网络 (CANZSL)，将一种基于自然语言的多模态一致双向生成对抗网络训练用于处理零样本学习问题，以在语义空间中生成逼近真实分布的语义特征。实验结果表明，CANZSL 在自然语言零样本学习任务上的表现优于现有的先进方法。

    Sep, 2019

  • 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

  • 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

  • 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

  • 基于 Episode 的原型生成网络进行零样本学习

    该论文介绍了一个基于 Episode 的训练框架，用于零样本学习，其中模型在多个 Episode 中进行训练，通过逐步积累集成经验来预测模拟的看不见的类，以便在真实的看不见的类上进行良好的泛化，提出了一种新的生成模型，通过生成视觉原型并以课程语义原型为条件，确保视觉语义交互相匹配，并在对抗性框架中对抗参数经济的多模态交叉熵损失以捕捉区分性信息，经过多次实验发现，该模型在四个数据集的传统 ZSL 和广义 ZSL 任务中都优于现有的最先进方法。

    Sep, 2019