Jun, 2020

复合式零样本识别的因果视角

PDF
TL;DR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。
compositional generalizationcausal ideaszero-shot learningembedding modelvisual objects
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

  • 学习图嵌入实现组合式零样本学习

    本研究提出了一种名为 Compositional Graph Embedding（CGE）的图形学习方法，可以实现对已出现的视觉对象和视觉基元状态的组合的识别和理解，进而实现了基于组合的零样本学习，避免了外部知识库的依赖。CGE 不仅可以学习图像特征，合成分类器，还可以学习视觉基元的潜在特征，最终可以进行对未出现过的组合图像识别，相比其他方法，CGE 在 MIT-States 和 UT-Zappos 等数据集上具有更好的性能表现。

    Feb, 2021

  • 面向任务的模块化网络用于零样本组合学习

    提出一种基于模块化体系结构和任务驱动的深度神经网络，能够在零样本情况下进行组合推理和分类，并在广义零样本分类问题上使用小模块优于现有方法。

    May, 2019

  • 从第一原则开始的组合泛化

    本篇论文从识别可表达性学习出发，将组合性视为数据生成过程的属性而非数据本身，并提出了仅取决于训练分布和模型架构的轻微条件，为组合泛化建立了理论框架，并验证了其应用于现实世界场景的结论，从而为组合泛化的原则性理论研究铺平了道路。

    Jul, 2023

  • 强监督下的多线索零样本学习

    利用多个文本来源和语义部分注释来提供更强的监督辅助信息，达到零样本识别和检索的目标。

    Mar, 2016

  • 面向任务的零样本组合学习特征生成

    本研究提出了一种基于任务的特征生成方法，即任务感知特征合成，通过使用语义复合性生成图像特征分布，用于零样本学习中的模型概括，并在三个零样本组合学习基准测试中建立了新的技术水平。

    Jun, 2019

  • 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

  • 独立原型传播用于零样本合成性

    本研究提出了一种名为 ProtoProp 的原型传播图方法，用于解决在零样本学习中如何使用上下文线索进行分类的难题，本方法不依赖于任何外部数据，通过在给定数据集上的实验验证，我们证明了该方法优于现有技术的结果

    Jun, 2021

  • 视觉概念学习中的组合多样性

    本文探讨了人类与计算机视觉模型在不同类型的视觉组合任务中的差异，通过大程序空间中的最佳程序来生成具有丰富关系结构的候选视觉对象，发现人类和程序感知上存在着一些相同点，同时在一些结构上存在不同，其中，形成新的概念主要涉及到的是组合机制和抽象。

    May, 2023

  • 零样本学习中的局部性和组合性

    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。

    Dec, 2019