Sep, 2019

针对生成式零样本学习的特征混淆缓解

PDF
TL;DR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。
generative adversarial networkszero-shot learningfeature confusionafc-gandecision boundary
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 自由：用于广义零样本学习的特征优化

    本篇论文提出了一种名为 Feature Refinement for Generalized Zero-Shot Learning (FREE) 的简单有效的 GZSL 方法，其采用特征细化模块，将语义 - 视觉映射引入到生成模型中，以精炼已见和未见类别样本的视觉特征。实验结果表明，FREE 在五个基准数据集上表现优于当前最先进的方法。

    Jul, 2021

  • 对比嵌入用于广义零样本学习

    提出了一种混合零样本学习框架，将生成模型与嵌入模型相结合，采用对比嵌入技术进行分类，解决了数据不平衡问题，实验结果表明，在五个基准数据集上，该方法优于现有技术。

    Mar, 2021

  • f-VAEGAN-D2: 一种适用于任意样本学习的特征生成框架

    本文提出了一种结合 VAE 和 GANs 的条件生成模型，同时通过无条件鉴别器，学习未标记图像的边缘特征分布，在归纳和传递性学习设置中，对任意量少量学习问题进行处理，并在五个数据集中建立了新的零 - 阈值学习的最新技术。同时，证明学习到的特征是可解释的。

    Mar, 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

    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。

    Apr, 2019

  • 对抗性特征幻化网络用于少样本学习

    本文提出基于条件 Wasserstein 生成对抗网络的对抗特征幻觉网络（AFHN），利用少量有标签样本来生成可区分性和多样性的特征向量以解决数据标注不足的问题，并通过对比实验证明了该方法优于现有基于数据增强的 few-shot learning 方法和其他先进方法。

    Mar, 2020

  • 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