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

HTML
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。
发现论文，激发创造
  • 基于生成对抗网络的噪声文本零样本学习方法

    利用生成对抗网络(GANs)想象从文本描述中无法见到的类别，生成目标类别的视觉特征，附加伪数据，使得零样本学习自然地转换为传统的分类问题，并提出视觉中心正则化以保持生成特征的跨类别区分能力。实验表明，该方法在基于文本的零样本学习的最大可用基准测试中始终优于现有技术水平。

    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

  • 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

  • 利用生成式零样本学习的不变侧面

    使用生成对抗网络，提出了一种名为LisGAN的新方法，可以通过条件噪声直接生成未见过的特征。灵魂样本被引入生成式零样本学习中作为不变的一面，具有类别的元表示，并且通过联合部署两个分类器来实现粗分类和细分类，超过了现有方法的表现。

    Apr, 2019

  • SR-GAN: 面向零样本学习的语义校正生成式对抗网络

    本文提出了一种基于语义网络和视觉空间指导的方法来分类未见过的图像，并研究了预训练、重构网络等内容，实验表明该方法在四个基准数据集上的表现显著优于现有的零样本学习方法。

    Apr, 2019

  • 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

  • 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

  • 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

  • 利用语义属性进行归纳零样本学习

    本文提出一种新的传输零样本学习方法，该方法使用生成对抗网络从未见过的特征提取出语义属性，并将其融合到产生模型中，从而捕获未见类别内的细微差异，合成更具辨别能力的特征。在五个标准基准测试中，本方法取得了零样本学习的最新成果。

    Mar, 2023

  • 视觉增强动态语义原型用于生成式零样本学习

    通过充分利用视觉增强知识进入语义条件，我们提出了一种名为VADS的新型视觉增强动态语义原型方法，用于增强生成器学习准确的语义-视觉映射，实验证明我们的方法在三个知名数据集上取得了卓越的CZSL和GZSL性能，并且优于其他最先进方法，平均增加了6.4％、5.9％和4.2％。

    Apr, 2024