基于对抗域自适应的零样本学习生成框架
该论文提出了基于领域自适应的跨域分类问题,通过联合子空间的学习,使用有标签样本辅助实现跨域特征投影不变性,并结合了一种监督的局部保持投影 (SLPP) 技术,同时在无监督和零样本学习条件下,在三个跨域自适应基准数据集上实现了最先进的结果。
Mar, 2019
该研究提出了一种基于零样本学习的深度学习领域自适应方法(ZDDA),它可以在没有相关目标域数据的情况下进行任务迁移和传感器融合,并通过多个数据集的实验验证了其有效性。
Jul, 2017
本文中,我们提出了带条件的联合生成对抗网络(CoCoGAN)来解决零样本域自适应(ZSDA)问题,在没有目标域数据的情况下训练 CoCoGAN 以完成领域自适应。通过在相关任务(RT)和不相关任务(IRT)中采用源域数据和双域数据进行训练,CoCoGAN 能够捕获两个不同任务的双域样本的联合分布,从而使其在图像分类方面优于现有的技术水平。
Sep, 2020
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
利用 CuMix 算法,结合 Zero-Shot Learning 和 Domain Adaptation 和 Domain Generalization,在识别未见过的可视概念和领域上大幅提升性能
Jul, 2020
本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法,并提出了一个新的对抗判别域自适应框架,称为 ADDA,它将判别建模、解除权重共享和 GAN 损失结合在一起,优于竞争的域对抗方法,且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。
Feb, 2017
本文提出了一种新的领域适应的表示学习方法,使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征,该方法增加了标准层和一个新的反向梯度层,可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。
May, 2015
在标准监督学习设置中,假设训练数据和测试数据来自相同的分布(领域)。领域泛化(DG)方法旨在学习一个模型,该模型在多个领域的数据上训练时可以推广到新的未见领域。我们将 DG 扩展到了一个更具挑战性的领域,其中未知领域的标签空间也可能发生变化。我们将此问题称为零射领域泛化(据我们所知,这是第一个这样的尝试),其中模型不仅可以在新的领域之间推广,还可以在这些领域中的新类之间推广。我们提出了一种简单的策略,该策略有效地利用了类的语义信息,以使现有的 DG 方法满足零射领域泛化的要求。我们在 CIFAR-10、CIFAR-100、F-MNIST 和 PACS 数据集上评估了所提出的方法,为这个新的研究方向奠定了坚实的基础。
Aug, 2020
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