缓解零样本学习 3D 物体的 Hubness 问题
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
该研究提出了一种简单的方法来解决 zero-shot 任务中邻居向量被强权向心性卡住的问题,即通过考虑多个向量中潜在邻居的相似度分布来校正错误结果。结果表明,这种校正方法在跨语言、图像标记和图像检索等领域的 zero-shot 任务中均获得了稳定的改善。
Dec, 2014
本文探讨了零样本学习中 hubness 的影响,当使用岭回归在例子空间和标签空间之间寻找映射关系时。我们提出了将标签映射到例子空间的方法,以抑制后续最近邻搜索步骤中的 hub 出现。在一个简单的数据模型下,我们证明了所提出的方法确实减少了 hubness。我们在双语词典提取和图像标注任务上经验证实际上降低了 hubness,并且精度相应地提高了。
Jul, 2015
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
本文提出可以解决识别来自已知类别与未知类别的图像的冲突的校准方法,探讨了零样本学习的 generalized zero-shot learning 的问题,并提出了评估模型性能的评价指标。研究结果表明当前模型表现与理想语义嵌入间的差异,强调改进类别语义嵌入对于 GZSL 的重要性。
May, 2016
本文介绍一个新的零样本视角估计管道,主要基于 3D 模型的零样本实例分割和零样本姿态估计。实验结果表明,该方法在速度和计算成本方面优于当前零样本状态的最佳方法。
May, 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