AAAINov, 2019

Few-Shot 识别的知识图谱迁移网络

PDF
TL;DR该研究提出了一种基于知识图谱的网络模型，通过在少量训练数据的基础上进行信息传递和语义相关性分析，实现在大规模数据集上进行 few-shot 的学习，取得了较好的效果。
few-shot learningsemantic correlationsstructured knowledge graphneural networksimagenet dataset
发现论文，激发创造
  • 基於知識轉移的少樣本物體檢測

    本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。

    Aug, 2020

  • 基于知识引导的多标签少样本学习在通用图像识别中的应用

    本文提出了一种基于知识图谱和深度神经网络的多标签图像识别框架，利用先验统计信息辅助多标签分析，减少对训练样本的依赖，并在传统多标签图像识别、少样本学习等领域取得了优于现有最先进方法的显著成果。

    Sep, 2020

  • 图像识别少样本学习的两阶段方法

    本论文提出了多层神经网络结构来实现少样本图像识别任务，其中包括特征提取和分类两个阶段，采用 Mahalanobis 距离计算平均类别特征和测试样本的距离，并通过学习映射将样本原型映射到对应类别的原型上，该网络在四个标准的少样本图像识别数据集上表现出优越的性能。

    Dec, 2019

  • 基于知识引导的小样本文本分类度量学习

    本文介绍了使用外部知识来提升深度学习文本分类模型的 few-shot 学习能力，从而实现少量标注数据就能获得高性能的目的。作者在此基础上提出了一种新的参数生成网络，其能够利用外部知识生成关系网络参数，并将这些参数应用于多个任务中，以实现多个任务之间度量的转换。实验结果表明这种方法优于已有的 few-shot 文本分类模型。

    Apr, 2020

  • 无遗忘动态少样本视觉学习

    该研究提出了一种基于卷积神经网络和注意力机制的少样本视觉学习系统，旨在实现在测试时只使用少量训练数据就能有效地学习新类别，同时不会忘记原先基础类别的模型。经过在 Mini-ImageNet 数据集的测试，该模型在 1-shot 和 5-shot 设置下都取得了 56.20% 和 73.00% 的最优成绩。

    Apr, 2018

  • 通过语义嵌入和知识图谱进行零样本识别

    本研究旨在解决零样本识别问题，基于语义嵌入和分类关系预测视觉分类器，提出了一种基于图卷积网络的方法，并在知识图中学习得到的结果表明，相比于当前的最先进结果，该方法在性能上获得了显著提升。

    Mar, 2018

  • 几何约束下的小样本学习

    本篇文章提出了两个几何约束条件，用于将新类别的特征点聚集在类别权重周围，保持其与基础类别权重的差距，从而提取新类别的有区分性特征点，同时保留了基础类别学习的特征空间，最终在 ImageNet 数据集的 few-shot learning 任务中取得了显著优势。

    Mar, 2020

  • 高效学习新视觉概念

    本文提出一种新的方法 —— 在最先进的识别模型中加入符号知识图谱，从而提高了模型的识别新物体的准确性。实验结果表明，与现有的少样本分类器相比，该方法的性能更好。

    Jun, 2023

  • 简单语义辅助的少样本学习

    利用少量数据进行学习是一项具有挑战性的计算机视觉任务，本文通过引入高质量的语义以及使用简单的网络结构，设计了一个名为 “语义进化” 的自动化方式来解决少样本学习中的问题，实验证明该方法在少样本分类任务中表现优异。

    Nov, 2023

  • KGTN-ens: 知识图谱集成的少样本图像分类

    本文提出了一个框架 KGTN-ens，扩展了最近的知识图传输网络（KGTN），以在小成本内合并多个知识图嵌入。作者使用不同嵌入的组合在少量样本图像分类任务中对其进行评估。同时，作者构建了一个新的知识源 ——Wikidata 嵌入，并使用 KGTN 和 KGTN-ens 进行了评估。本方法在 ImageNet-FS 数据集上的前五准确率方面优于 KGTN。

    Nov, 2022