面向在未知领域中识别未知类别
我们提出了一种名为 Meta Domain Alignment Semantic Refinement (MDASR) 的方法,通过两个部分 Inter-class Similarity Alignment (ISA) 和 Unseen-class Meta Generation (UMG),在跨领域广义零样本学习中解决了信息不对称问题,有效地将冗余的语义空间与共同特征空间对齐。
Mar, 2024
该论文提出了基于领域自适应的跨域分类问题,通过联合子空间的学习,使用有标签样本辅助实现跨域特征投影不变性,并结合了一种监督的局部保持投影 (SLPP) 技术,同时在无监督和零样本学习条件下,在三个跨域自适应基准数据集上实现了最先进的结果。
Mar, 2019
在标准监督学习设置中,假设训练数据和测试数据来自相同的分布(领域)。领域泛化(DG)方法旨在学习一个模型,该模型在多个领域的数据上训练时可以推广到新的未见领域。我们将 DG 扩展到了一个更具挑战性的领域,其中未知领域的标签空间也可能发生变化。我们将此问题称为零射领域泛化(据我们所知,这是第一个这样的尝试),其中模型不仅可以在新的领域之间推广,还可以在这些领域中的新类之间推广。我们提出了一种简单的策略,该策略有效地利用了类的语义信息,以使现有的 DG 方法满足零射领域泛化的要求。我们在 CIFAR-10、CIFAR-100、F-MNIST 和 PACS 数据集上评估了所提出的方法,为这个新的研究方向奠定了坚实的基础。
Aug, 2020
本文提出一种新的零样本学习模型(DIPL),其中引入一种域不变特征自重建任务并通过语义空间中超类的形成进一步对齐两个域,以解决转移学习中看不见的物体分类问题。我们的模型在大量试验中表现出优异的性能,优于现有技术方案。
Oct, 2018
本研究提出了基于对生成对抗网络训练的新规则的多模态循环一致性语义兼容性的方法,可以用于合成更具代表性的视觉表示,从而在几个公开可用的数据集中展现出最佳的广义零样本学习分类结果。
Aug, 2018
本文提出一种基于双向映射的语义关系建模方案,实现跨模态的知识转移并解决领域转化问题,通过迭代更新使得分类器不断加强预测能力,实验结果在三个基准数据集上显著优于现有方法。
Mar, 2017
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
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
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
本文提出了一种利用 GAN 进行视觉数据合成的框架来解决零样本视频分类问题,并结合多级语义推理和匹配感知的互信息相关来提高合成视频特征的鉴别能力,实验结果表明这种方法可以显著提高零样本视频分类的性能。
Apr, 2018