Sep, 2019

CANZSL: 适用于自然语言零样本学习的循环一致性对抗网络

PDF
TL;DR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。
zero-shot learninggenerative adversarial networksmulti-modal consistencynatural language processingsemantic space
发现论文，激发创造
  • 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

  • 双重对抗一致语义网络用于广义零样本学习

    本文提出了一种名为 Dual Adversarial Semantics-Consistent Network (DASCN) 的机制，该机制采用双重 GAN 对视觉语义交互传递的问题进行了处理， 并在广义零样本学习 (GZSL) 问题上实现了先前算法所未能完成的任务。

    Jul, 2019

  • 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

  • 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

  • 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

  • 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

  • EGANS：进化生成对抗网络搜索用于零样本学习

    我们提出了一种称为 EGANS 的进化生成对抗网络搜索方法，通过自动设计具有良好适应性和稳定性的生成网络，实现可靠的视觉特征样本合成，以推进零样本学习。

    Aug, 2023

  • CIZSL++：创意启迪的生成式零样本学习

    利用创造力的灵感，提出了一个创造力启发模型 CIZSL-v1 和进一步改进的模型 CIZSL-v2，通过对无法识别的类别进行视觉学习来改善 Zero-shot Learning（ZSL）的判别能力，同时引入了类比于创造力文献的学习信号，可以在挖掘类别特征并保证视觉特征之间的差异性的前提下实现已知类别到未知类别的知识转移，提高了模型性能。

    Jan, 2021

  • 重新思考零样本学习：基于条件视觉分类的观点

    本文提出了多种不同的零样本学习的算法，包括基于语义属性生成可视特征分类器的深度神经网络，以及一种能够使用未标记数据进行自校准的学习方法，并在所有 ZSL 设置的基准数据集上显著优于现有算法的大量实验结果表明。

    Sep, 2019

  • 通过语义引导的生成随机游走实现持续的零样本学习

    通过利用生成建模，我们提出了一个学习算法，在没有给定未知信息的情况下持续进行零样本学习，并在 AWA1、AWA2、CUB 和 SUN 数据集上实现了超出现有连续零样本学习方法的 3-7% 的最新性能。

    Aug, 2023