ICLRDec, 2019

零样本学习中的局部性和组合性

PDF
TL;DR本文探讨了零样本学习中代表性学习时的地域性和组成性，并证明了这些属性的重要性与泛化性相关。此外，该研究也证明了在未通过不同数据集（如 ImageNet）进行预训练的情况下学习代表性的可行性。因此，未来的代表性学习研究应着重于更加关注本地化特征的模型。
zero shot learninglocalitycompositionalityrepresentation learninggeneralization
发现论文，激发创造
  • 零样本学习 (ZFS)：利用局部组成表示从头开始学习

    本文提出了一种更具挑战性的零样本学习方法，即从零开始的零样本学习（ZFS），该方法明确禁止使用在其他数据集上微调过的编码器，并强调了本地信息和组合表示的重要性。

    Oct, 2020

  • 零样本学习的简单有效本地化属性表示

    本文提出一种利用语义 / 属性空间的区域表示来实现无监督学习的方法，其中区域表示的本地化是隐式的。本方法具有高度的可解释性，能够取得 CUB 和 SUN 数据集上的最新性能以及在 AWA2 数据集上优于一般性能更复杂的方法。

    Jun, 2020

  • 复合式零样本识别的因果视角

    描述了一种利用因果思想构建复合泛化的方式，并建议将零样本推理视为查找 “哪种干预导致了图像？”; 提出了一种因果启发的嵌入模型，该模型从相关（混淆）训练数据中学习可视对象的基本部分的分解表示，用于预测属性 - 对象对的新组合。 在两个数据集上进行评估，结果比强基准方法有所改善。

    Jun, 2020

  • 面向上下文的零样本学习用于物体识别

    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

  • 零样本识别的潜在特征判别学习

    该研究提出了一种能够自动发现显著区域及在增强的空间中学习辨别性语义表征的端到端网络，用于零样本学习中。在两个具有挑战性的零样本学习数据集上测试，实验结果显示该方法明显优于现有最先进的方法。

    Mar, 2018

  • 学习组合表示用于少样本识别

    通过引入简单的正则化技术以及利用类别级别属性注释对神经网络进行特征空间分解，本工作试图弥合深度学习模型与人类学习之间的鸿沟，证明组合表示的价值并展示少量样本即可学习新类别的分类器。

    Dec, 2018

  • 跨领域多类别和多标记零样本学习

    本文讨论了两种与传统方法相关的工作：利用传导学习 ZSL 和将 ZSL 推广到多标签情况下。

    Mar, 2015

  • 面向组合式零样本学习的语言指导分布促进

    本文提出了一种使用 CLIP 模型的语言信息分布 ——PLID 模型来增强光学识别任务中未知组合视觉概念的泛化性能，通过软提示类嵌入式的组合和原始的嵌入式混合策略来融合一致的分类决策。使用 MIT-States、UT-Zappos、C-GQA 数据集的实验结果表明，PLID 方法相较于其他方法表现更佳。

    May, 2023

  • 零样本学习有效深度嵌入

    本文针对零样本学习中的交叉域匹配问题，详细探讨优秀的 embedding 空间应满足的两个标准：类内紧度和类间可分性，并提出了一种基于两个分支网络的方法来同时映射语义描述和视觉样本到 joint 空间，并在其中强制要求视觉嵌入与类级语义嵌入相同，同时实现区分可训练分类器，实现跨未知类别输入的优化过程。此外，我们还扩展了我们的方法来处理 ZSL 中的模型偏差问题，并在五个标准数据集上获得了卓越的性能。

    Aug, 2018

  • 零样本目标检测：学会同时识别和定位新概念

    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