Mar, 2020

零样本基于草图的图像检索的渐进领域无关特征分解网络

PDF
TL;DR本文提出了一种逐步领域无关特征分解（PDFD）网络，用于零样本基于草图的图像检索（ZS-SBIR），通过将视觉特征分解为域特征和语义特征来维护语义知识的完整性，并使语义特征投影到公共空间，最终的检索特征能够捕获干净且完整的语义信息。实验证明了 PDFD 与现有方法相比在 ZS-SBIR 中具有优越性。
zero-shot sketch-based image retrievalcross-modal retrievalsemantic knowledgeprogressive domain-independent feature decompositionretrieval features
发现论文，激发创造
  • 领域平滑网络用于零样本基于草图的图像检索

    该研究提出了一种基于领域平滑网络 (DSN) 的零样本图形检索 (ZS-SBIR) 方法，该方法通过使用跨模态对比方法挖掘增强样本的关系以平滑领域差距，并在草图领域中探索类别特定的记忆库来减少草图的内类别差异。实验结果表明，该方法在 Sketchy 和 TU-Berlin 数据集中表现出色。

    Jun, 2021

  • 零样本基于草图的图像检索的改进与对齐

    本文提出了一种有效的 “适应和对齐” 方法来解决无人监督草图图像检索（ZS-SBIR）中的关键挑战，并通过与更语义化的文本嵌入相对齐实现了从已见类到未见类的知识转移。

    May, 2023

  • Doodle to Search: 实用的零样本基于草图的图像检索

    本文提出了一种新的零样本基于草图的图像检索 (ZS-SBIR) 场景，该场景能够有效解决 ZS-SBIR 实际应用中常见的大领域差异和大规模检索问题，提供了一个全新的 ZS-SBIR 数据集 QuickDraw-Extended，采用了一种新策略来处理领域差异，同时集成了外部语义知识以帮助语义转换，实验表明该模型在现有数据集上表现优异，并提供训练代码和数据集以供未来研究使用。

    Apr, 2019

  • 面向零样本基于草图的图像检索的模态感知表示学习

    零样本学习在机器学习模型中提供了一种有效的解决方案，用于处理未见类别，避免了繁琐数据收集。本文提出了一种新颖的框架，通过对比文本间接对齐素描和照片，避免了对素描照片成对样本的需求。通过从数据中学习明确的形态编码，我们的方法将形态不可知的语义与形态特定信息进行了分解，桥接了形态间的差距，并在联合潜空间内实现了有效的跨模态内容检索。通过全面的实验验证了所提出模型在零样本基于素描的图像检索上的有效性，并可应用于广义和细粒度设置。

    Jan, 2024

  • 零样本基于草图的图像检索中的语义感知知识保留

    本文提出了一种名为 Semantic-Aware Knowledge prEservation (SAKE) 的方法，在预训练模型的基础上通过 fine-tunes 和利用语义信息来保留图像检索中先前获得的知识，从而在零样本学习的场景下实现更好的性能表现。

    Apr, 2019

  • 基于堆叠对抗网络的零样本素描图像检索

    本论文提出了一种基于生成对抗网络和连体网络的零样本草图图像检索方法，该方法在标准 ZSL 和广义 ZSL 设置下均获得了显著的提高。

    Jan, 2020

  • 领域解耦生成对抗网络用于零样本基于草图的三维形状检索

    本文提出了一种基于 DD-GAN 网络的用于 0-shot 检索的手绘三维形状检索方法，通过学习 sketch 和 3D Shapes 的特征区别，生成了与其对应的词向量，生成器结合特定类别生成样本和通用特征生成未知类别的 3D 对象，试验表明该方法显著提高了检索性能。

    Feb, 2022

  • 零样本全域面向素描图像检索，并具有可解释性

    本文研究了零短距离素描图像检索（ZS-SBIR）问题，并提出了一种基于 transformer 的跨模态网络，包括可学习 tokenizer 的自我关注模块，计算视觉 tokens 之间的交叉关注模块，以及基于核的相关网络，通过对组之间的比较，实现了优秀的性能，同时通过可视化 tokens 实现了解释性。

    Mar, 2023

  • 基于素描的图像检索零样本框架

    提出基于生成模型的零样本学习用于手绘图像检索的新方法，在经过大量实验验证后，发现这种方法比现有的方法在检索不同类别的图片时性能更好。

    Jul, 2018

  • 零样本基于草图的图像检索的对称双向知识对齐

    该论文提出了一种用于零样本草图图像检索的新型方法，采用了对称双向知识对齐学习框架以实现教师和学生模型之间的知识对齐，通过一对多的聚类跨模态匹配方法来缩小模态差距，实验证明该算法在多个 ZS-SBIR 数据集上表现优越。

    Dec, 2023