Jun, 2020

学习无冗余特征用于广义零样本目标识别

PDF
TL;DR本文提出一种新方法，通过将原始视觉特征投影到一个新的（无冗余）特征空间并限制这两个特征空间之间的统计依赖来学习通用零样本学习的无冗余特征，以减少细粒度对象中的多余信息，并在不失去区分信息的情况下保持分类关系，实验结果表明，与现有技术相比，我们的 RFF-GZSL 方法在四个基准数据集上取得了竞争性结果。
zero-shot learningobject recognitionredundancy-free featuresfine-grained objectsbenchmark datasets
发现论文，激发创造
  • 遥感影像中的细粒度物体识别与零样本学习

    研究了一种基于卷积神经网络的零迁移学习模型，该模型利用辅助信息学习一种兼容性函数，实现对未看到类别的识别，并对通过多种辅助信息对新数据集进行了实验验证。

    Dec, 2017

  • 自由：用于广义零样本学习的特征优化

    本篇论文提出了一种名为 Feature Refinement for Generalized Zero-Shot Learning (FREE) 的简单有效的 GZSL 方法，其采用特征细化模块，将语义 - 视觉映射引入到生成模型中，以精炼已见和未见类别样本的视觉特征。实验结果表明，FREE 在五个基准数据集上表现优于当前最先进的方法。

    Jul, 2021

  • 基于数据无关的广义零样本学习

    基于 CLIP 基类分类器的无数据零样本学习方法提出了一个通用框架，该框架包含三个主要组成部分：基于 vMF 分布建模基类数据的虚拟特征恢复、特征 - 语言输入调整以进一步对齐虚拟图像特征和文本特征、使用对齐后的特征训练条件生成模型，可以生成新类别的特征并实现更好的零样本泛化。在常用的五个广义 ZSL 基准和 11 个基类到新类别 ZSL 基准上进行了评估，结果显示了该方法的优越性和有效性。

    Jan, 2024

  • 广义零样本学习在野外物体识别中的实证研究与分析

    本文提出可以解决识别来自已知类别与未知类别的图像的冲突的校准方法，探讨了零样本学习的 generalized zero-shot learning 的问题，并提出了评估模型性能的评价指标。研究结果表明当前模型表现与理想语义嵌入间的差异，强调改进类别语义嵌入对于 GZSL 的重要性。

    May, 2016

  • 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

  • 泛零样本学习的语义特征提取

    本文提出了一种新的基于语义特征提取的广义零样本学习（SE-GZSL）技术，使用包含仅属性相关信息的语义特征来学习图像和属性之间的关系，从而可以消除由图像特征中包含的与属性无关的干扰信息，通过使用提出的互信息损失和相似性损失函数，证明了该 SE-GZSL 技术在各种数据集中均优于传统的 GZSL 方法。

    Dec, 2021

  • 用潜在嵌入反馈和鉴别特征进行零样本分类

    本研究提出了一种基于语义一致性的零样本学习框架，在训练、特征合成和分类的所有阶段都强制执行语义一致性，并采用反馈循环来迭代地优化生成的特征，实验证明该方法在六个零样本学习基准任务上表现优异。

    Mar, 2020

  • 使用不可靠属性的零样本识别

    本研究提出一种新颖的随机森林方法用于零样本学习，能更好地应对属性预测不可靠的问题，对于少样本和无训练样本学习在视觉分类学习中得到广泛应用。

    Sep, 2014

  • 基于聚类的半监督零样本学习

    本文提出了一种基于深度可视特征嵌入空间的半监督零样本学习方法，通过在签名上进行线性变换以将它们映射到视觉特征上，使得已知类别的签名映射结果靠近相应类别的已标记样本，同时未标记的数据与其中一个未知类别的映射签名也很接近，该方法在四个公共基准测试中的表现证明了其有效性，其中三个的预测准确度均优于最先进方法。

    May, 2016

  • 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